基于MODIS影像的藏北高寒草甸的蒸散模拟

基于MODIS和Landsat的青藏高原两代 GIMMS NDVI性能评价杜加强;王跃辉;师华定;房世峰;何萍;刘伟玲;阴俊齐【期刊名称】《农业工程学报》【年(卷),期】2016(032)022【摘要】GIMMS NDVI dataset must be re-calculated every time when New year’s data are added, due to the GIMMS NDVI data set is dynamic in nature, and this leads to differences between GIMMS NDVI3g and GIMMS NDVIg throughout their overlapping period (1981-2006). How to understand and treat these discrepancies is premise and basis for comprehensive utilizing the datasets of GIMMS NDVIg and GIMMSNDVI3g to scie ntifically detect vegetation’s historic variations, forecast its future tendency and guide the ecological protection and construction. With MODIS NDVI datasets from 2000 to 2012 and 495 Landsat samples of 20 km × 20 km from 2000 to 2006, performances of GI MMS NDVIg and GIMMS NDVI3g were evaluated during the period from 2000 to 2006, and long-term variation of vegetation monitoring used both GIMMS datasets during 1982-2006 were compared and analyzed in this paper. Firstly, absolute values of GIMMS NDVIg, GIMMS NDVI3g and MODIS NDVI with Landsat NDVI were compared. Then, the differences between a Landsat sample-pair (i.e., two 20 × 20 km2 Landsat samples acquired for the same location at different years) and GIMMS NDVIg, GIMMS NDVI3g andMODIS NDVI datasets at the same time points were evaluated. Besides, GIMMS NDVIg and GIMMS NDVI3g with MODIS NDVI during 2000-2006 in term of temporal trends by applying a simple linear regression model based monthly anomalies and the seasonal Mann-Kendall trend test were compared at region, and correlations were conducted at pixel scales. Finally, trends of GIMMS NDVIg with that of GIMMS NDVI3g in three seasons (spring, summer and autumn) and growing season during 1982-2006 were compared at region and pixel scales. The results showed that almost equal capability of capturing variations of seasonal and monthly phenology for both GIMMS datasets was found. The NDVI value of GIMMS NDVI3g was generally larger than that of GIMMS NDVIg, or even larger than NDVI of MODIS NDVI. Compared with GIMMS NDVI3g, patterns and trends of GIMMS NDVIg were more similar to that of MODIS NDVI and Landsat. Although spatial patterns of GIMMS NDVI3g change in growing season during 1982-2006 resembled that of GIMMS NDVIg, wider range characterized significant increase in spring NDVI were detected with GIMMS NDVIg, and the discrepancies between both GIMMS NDVI datasets mainly concentrated in the hinterland of the Tibetan Plateau. The increase trend of vegetation growth in spring using GIMMS NDVIg was more severe than that using GIMMS NDVI3g, but the opposite situation was found in summer. The remarkable difference of NDVI variation in spring may lead to differences in the analysis of the phenology using both GIMMS NDVI datasets of the Qinghai Tibet Plateau. Long-term NDVI datasets are the basic data for many ecological models, the differencesamong these datasets may influence the accuracy of model results. Before conducting the relevant research using NDVI datasets, the applicability of NDVI datasets is needed to evaluate, and it is the premise to obtain more consistent with the actual situation objective results. Combined with other ecological datasets, such as vegetation coverage fraction, leaf area and vegetation production of historical field data is important to identify the similarities and differences between the two GIMMS NDVI datasets and establish a connection between them for reasonably monitoring vegetation dynamics.%由于AVHRR NDVI数据集本质上具有动态变化的特点，使得数据重叠时段（1981－2006年）的第1代GIMMS NDVIg（简称NDVIg）数据集与第3代GIMMS NDVI3g（简称NDVI3g）数据集也不完全相同。

中国科学D辑:地球科学 2008年 第38卷 第8期: 993~1004 《中国科学》杂志社SCIENCE IN CHINA PRESS利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力伍卫星①②, 王绍强①*, 肖向明③, 于贵瑞④, 伏玉玲④, 郝彦宾⑤① 千烟洲生态试验站, 中国科学院地理科学与资源研究所, 北京 100101;② 中国科学院研究生院, 北京 100049;③ Institute for the Study of Earth, Oceans and Space, University of New Hampshire, Durham, NH 03824, USA;④ 生态系统网络观测与模拟重点实验室, 中国科学院地理科学与资源研究所, 北京 100101;⑤ 中国科学院植物研究所, 北京 100093* 联系人, E-mail: sqwang@收稿日期: 2007-09-12; 接受日期: 2008-07-01中国科学院创新团队计划(编号: CXTD-Z2005-1)、国家重点基础研究发展计划(编号: 2002CB412501)和美国国家航空航天局土地覆被和土地利用变化项目(编号: NAG5-11160, NNG05GH80G)摘要温带草原生态系统与大气间的碳交换通量受到降水和土壤水分可利用性的强烈影响, 时空变化显著. 所以, 整合卫星遥感和田间通量观测成为准确刻画中国北方内蒙古温带草原生态系统区域碳循环动态的重要基础. 基于涡度相关通量观测系统提供的生态系统与大气间的碳交换通量数据, 研究发现: 对于内蒙古锡林郭勒温带草原试验站, 遥感增强植被指数(EVI)与植被总初级生产力(GPP)的相关关系强于归一化植被指数(NDVI)与GPP的关系. 因此, 利用基于EVI的植被光合模型(VPM)对该站点的总初级生产力进行了遥感模拟, 模型的输入包括增强植被指数, 陆地表面水分指数(LSWI), 平均空气温度(Ta)和光合有效辐射(PAR). 对比2003年5月到2005年9月的涡度相关通量观测数据和模型模拟结果发现: 植被光合模型可以准确模拟研究时间段内总初级生产力的季节动态(R2=0.903, N=111, p<0.0001); 研究时间段内模拟的总初级生产力为641.5 g C·m−2, 仅高估了约6%, 且植被光合模型模拟效果优于其他生产效率模型(比如: TURC, MODIS-PSN). 因此, 引进改进的植被指数(比如EVI和LSWI), 植被光合模型可以成功模拟温带草原生态系统的总初级生产力, 可能成为区域碳通量准确模拟的有效工具. 关键词总初级生产力涡度相关遥感锡林郭勒目前, 涡度相关通量观测技术已经被广泛应用于生态系统的CO2, H2O和能量通量的测定, 获得的净生态系统碳交换数据(NEE)为研究生态系统总初级生产力(GPP)和生态系统呼吸(Re)提供了重要的信息[1]. 尽管涡度相关通量观测系统所测定的数据被用来代表整个生态系统与大气间的碳交换状况, 但是, 实际的采样区域却局限于较小的“风浪区(footprint)”(一般在若干公顷之内, 取决于观测塔的高度、风向和下垫面状况)[2]. 同时, 涡度相关通量观测还受到其他因素的限制, 比如: 设备昂贵、观测系统搭建耗时、对观测站点的下垫面要求苛刻、系统维护不易等等, 因此, 并不是所有的生态试验站都可以进行涡度相关通量观测, 进而导致很多地方没有观测数据[3]. 另一方面, 卫星遥感能够提供区域甚至全球的观测覆盖能力,993伍卫星等: 利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力同时可以以固定的时间间隔对生态系统进行采样.所以, 卫星遥感技术在估计区域植被结构和生态系统生产力方面正扮演着越来越重要的角色[4~8]. 为了整合涡度相关通量观测和卫星遥感观测, 进而研究区域的植被生产力和碳循环状况, 对GPP进行准确模拟成为重要的基础步骤[9].很多卫星遥感研究基于生产效率模型(PEM)开展对区域GPP的模拟, 例如TURC[5], MODIS-PSN[7]和GLO-PEM[8]. 在PEM中, GPP被表达成植被冠层吸收光合有效辐射的比例(FPAR canopy)、到达冠层顶部的光合有效辐射(PAR)以及光能利用效率(εg)的乘积.FPAR canopy通常表示为归一化植被指数(NDVI)或叶面积指数(LAI)的函数, 其中, NDVI是与地表植被状况相关的遥感指数, 由红波段和近红外波段的地表反照率计算得到[10]. 然而, 很多研究表明NDVI受到不同因素的影响[11], 其中一些可能会导致利用NDVI数据进行GPP的模拟并不可靠. 同时, 在常见的PEM中, εg要么等同于最大光能利用效率(ε0), 要么表达成受温度(T)、土壤水分(SM)、水气压差(VPD)等环境因子限制的ε0的函数. 但是, 对于4类不同生态系统(分别为农田、草地、落叶林和针叶林)的研究表明: 在进行植被(尤其是落叶林)光能利用效率的模拟时, 物候等生物因素的影响不可忽视[12] (表1).表1 典型生产效率模型(PEM)算法比较模型植被冠层吸收的光合有效辐射比例(FPAR canopy)光能利用效率(εg)TURC f(NDVI) ε0 MODIS-PSN f(NDVI), f(LAI) ε0×T×VPD GLO-PEM f(NDVI) ε0×T×SM×VPD 近年来, 利用改进的光能利用效率模型—“植被光合模型(VPM)”, 研究人员已经成功地实现了对于森林[13~16]和高寒草地等[9]生态系统总初级生产力的模拟. VPM将植被冠层分成光合有效成分(chlorophyll, 叶绿素)以及非光合有效成分(NPV)两类, 进而对植被冠层吸收光合有效辐射的比例进行了区分(认为FPAR canopy包含FPAR chl和FPAR NPV); 同时, VPM还引进了新的遥感植被指数以表征物候状况对于光能利用效率的影响[9,13~16]. 对于哈佛森林生态试验站的对比研究表明: VPM模拟的GPP(GPP VPM)与通量观测塔所测定的GPP(GPP obs)季节动态相当吻合(GPP VPM =0.97×GPP obs, R2 =0.92, N = 110, p< 0.0001), 而同期基于MODIS-PSN的GPP产品却出现了明显的低估[13].目前还没有在温带草原生态系统上对VPM模型进行应用及评价[9,13~16], 因而在本研究中, 我们采用内蒙古锡林郭勒温带草原生态试验站通量观测数据和卫星遥感数据深入分析: (1) 卫星遥感植被指数和温带半干旱草原涡度相关碳通量数据之间的关系; (2) VPM在模拟温带草原生态系统方面的有效性和可靠性.1材料和方法1.1 研究站点研究站点位于内蒙古自治区锡林郭勒盟. 锡林郭勒地区平均海拔超过1000 m, 地处115°32′E~ 117°12′E, 43°26′N~44°39′N之间. 研究站点的详细描述参考表2.表2 锡林郭勒温带草原生态试验站地理、气候和植被状况项目描述地理位置116°40′E, 43°32′N海拔/m 1189多年平均气温/℃−0.4多年平均降水/mm 350.9土壤类型栗钙土(3%有机质)主要植物种温带季节性草种, 比如: 羊草(Leymuschinensis), 针茅(Achnatherum si-biricum)生态系统类型温带半干旱草原通量观测时间段 2003年4月~2005年9月1.2 通量和气候观测数据自2003年4月起, 中国陆地生态系统通量观测研究网络(ChinaFLUX)在该草原生态系统(43°32′45″N, 116°40′30″E)开展CO2, H2O和能量通量的连续观测. 通量观测塔的地理位置靠近中国生态系统研究网络(CERN)内蒙古草原生态系统定位研究站[17].涡度相关开路观测系统测定高度为2.2 m, 位于研究区草原群落冠层的上方[18]. 通量数据质量保证和质量控制的流程(比如: 坐标轴旋转, WPL校正, 无效数据剔除以及夜间通量摩擦风速(u*)订正等)见文994中国科学 D 辑: 地球科学 2008年 第38卷 第8期其空间分辨率为500 m. 我们下载了内蒙古锡林郭勒站点2003~2005年的陆地表面反照率产品(/~imswww/pub/imswelco me/), 并使用其中蓝(459~479 nm), 红(620~670 nm), NIR(841~875 nm)和SWIR(1628~1652 nm)4个波段)的数据进行植被指数的计算. 对于常绿针叶林的研究表明, 使用单个像元和使用3×3, 5×5像元进行反照率数据提取对于计算植被指数影响差异不显著[15], 因此基于研究站点的经纬度信息[13~16], 从MOD09A1产品中提取通量观测塔所在的单个像元(500 m×500 m)的反照率数值按照以下公式对植被指数(NDVI , EVI 和LSWI )进行计算[10,11,13]:献[9]和[18]. 全年完整的经过数据插补的半小时通量数据(NEE )被用来进行下一步处理. 当太阳高度角小于0时(此时生态系统光合为0), NEE 等同于夜间生态系统呼吸. 利用一年的NEE 和夜间近地表空气温度(Ta )数据, 以及Van't Hoff 方程得到NEE 和Ta 的关 系[9]. 利用回归的NEE 和Ta 关系, 结合白天(太阳高度角大于0)近地表的空气温度数据估计白天的Re , GPP 等于白天的Re 减去NEE .其他的气象要素(包括总太阳辐射(Global Radia-tion), 光量子通量密度(PPFD), 相对湿度(RH)等)同样以半小时一次的频率进行测定并记录, 在本研究中, 我们使用平均的Ta 和累加的光合有效辐射P AR 进行模型模拟. 为了匹配模型使用的遥感数据(MODIS, 8 d 时间分辨率), 逐日光合有效辐射被累加成8 d 的总和值, 对逐日的空气平均温度数据求8 d 平均值(图1).NIR redNIR red,NDVI ρρρρ−=+ (1)NIR redNIRred blue2.5,1 6.07.5EVI ρρρρ−=×++×+×ρ (2)NIR SWIRNIR SWIR,LSWI ρρρρ−=+ (3)1.3 MODIS 数据和植被指数美国国家航空航天局(NASA)地球观测系统(EOS)Terra 卫星搭载的MODIS 传感器共有36个光谱波段, 其中7个用于地表和植被的研究. MODIS 陆地科学小组提供给用户8 d 最大值合成的陆地表面反照率产品MOD09A1, 包含上述7个波段的反照率数据, 式中ρ表示相应波段的地表反照率, 下标NIR, red, blue 和SWIR 分别代表近红外、红、蓝和短波红外波段. EVI 包含了蓝波段的信息, 对植被指数进行了大气、地表状况等校正[11], 已成功应用于温带森林[15],图1 2003年5月到2005年8月内蒙古锡林郭勒生态试验站8 d 空气温度(Ta )平均值和8 d 总光合有效辐射(PAR )变化995伍卫星等: 利用MODIS 影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力同时, 气溶胶对EVI 的影响也不如对NDVI 的影响显著[19]. 另外, SWIR 波段反照率对于地表和植被水分状况比较敏感, 结合NIR 和SWIR 波段可以得到水分相关的植被指数[20]. 随着叶片水分含量增加或者土壤水分增加, SWIR 吸收率增加而反射率减少, 因此陆地表面水分指数(LSWI )表现为增加. 近期的研究工作表明, LSWI 对于叶片水分含量比较敏感[13].2 植被光合模型叶片和植被冠层都由光合有效成分(叶绿素)和非光合有效成分(NPV)构成. 基于概念区分叶绿素和NPV, VPM 模型成功模拟了森林[13~16]和高寒草地[9]生态系统的GPP .2.1 模型描述VPM 模型基本构成如下:chl g GPP FPAR PAR ε=××, (4)0scalar scalar scalar ,g T W P εε=××× (5)式中PAR 是光合有效辐射(μmol Photon ·m −2·s −1), FP AR chl 表示被叶绿素所吸收的光合有效辐射比例, εg 是光能利用效率(μmol CO 2·μmol Photon −1). 参数ε0 表示表观量子效率或最大光能利用效率(μmol CO 2·μmol Photon −1). T scalar, W scalar 和P scalar 分别是温度、水分和物候对最大光能利用效率的影响函数.在VPM 模型中, 假设FP AR chl 为EVI 的线性函数, 而且系数a 被设置成1(方程(6))[13~16]:chl FPAR a EVI =×. (6)T scalar 是温度对最大光能利用效率的影响函数, 采用陆地生态系统模型(TEM)的算法[21]:min max scalar min max opt ()(),()()()T T T T T T T T T T T −−=−−−− (7)式中T min , T max 和T opt 分别是植被进行光合作用的最低、最高和最适温度. 当空气温度低于最低光合作用温度时, T scalar 设为0.W scala r 表征水分对光合作用的影响, 在其他生产效率模型中, 水分影响通常被表示成土壤水分和水气压差的函数[7,8]. 在VPM 中, 使用遥感陆地表面水分指数(LSWI )进行替代[13], 如公式(8):scalar max1,1LSWIW LSWI +=+ (8)式中LSWI max 是单个像元内植被生长季的最大LSWI值.P scalar 表征物候状况对光合作用的影响, 其计算与叶片的生长寿命(比如: 常绿林, 落叶林)有关. 由于草原生态系统在整个生长季中不断有新的叶片长出, 所以P scalar 被设置成1[9].2.2 模型参数化VPM 共有3组参数: 最大光能利用效率(ε0)、植被生长季最大LSWI (LSWI max )和影响光合作用的3个温度参数(T min , T max 和T opt ).最大光能利用效率因为植被类型呈现显著的差异. 对于特定植被类型, 可以通过文献调查或者利用瞬时NEE 和PPFD 数据进行分析[13,22]. 本研究中, 我们使用不同生长季半小时白天的NEE 和PPFD 数据, 利用直角双曲线函数(Michaelis-Menten)对最大光能利用效率(表观量子效率)进行估计, 将生长季(每年5~9月份)白天半小时数据以8 d 一组进行分组, 选择拟合效果最好的一组获取参数ε0(表3). 拟合的最大光能利用效率分别是: 0.0167 μmol CO 2·μmol Photon −1 (2003年), 0.0248 μmol CO 2·μmol Photon −1(2004年)和0.0054 μmol CO 2·μmol Photon −1(2005年). 由于2005年生长季所有分组的NEE 数据均存在高光强抑制的现象[18], 对于2005年, 我们仅使用PPFD 低于1200 μmol Photon ·m −2·s −1时候的数据进行参数获取(图2).表3 拟合白天半小时NEE 和PPFD 数据时Michaelis-Menten 函数的参数2003 2004 2005儒略日162~169 210~217226~233最大光能利用效率/μmol CO 2·μmol Photon −10.0167 0.0248 0.0054最大光合作用速率/mg CO 2·m −2·s −1 0.210 0.374 0.167决定系数(R 2)0.549 0.669 0.150数据量(n )240 230 156模型的第二类参数用来计算水分限制函数W scalar . 选择每一年生长季最大LSWI 作为LSWI max . LSWI 表示地表的水分状况, 因此不同年份对应不同的参数. LSWI 最大值分别是0.076(2003年7月12日), 0.019996中国科学 D 辑: 地球科学 2008年 第38卷 第8期图2 利用Michaelis-Menten 函数拟合生长季半小时NEE 和PPFD 数据图(a)~(c)显示拟合效果最好的三组数据, 2003-06-11~2003-06-18(a), 2004-07-28~2004-08-04(b), 2005-08-14~2005-08-21(c). 图(d)显示2005-08-14~2005-08-21全部数据, 当PPFD 大于1200 μmol Photon ·m −2·s −1时, NEE 绝对值明显降低(2004年7月19日), 和−0.058(2005年8月13日)(图3).第三组参数用来估计温度限制函数T scalar . 我们分析了2004年(水热条件最适宜)生长季逐日气温和总初级生产力的关系[9](图4). 确定光合作用三个温度参数分别为: 最低光合作用温度(T min )6℃, 最高光合作用温度(T max ) 21℃以及最适光合作用温度(T opt )17℃.3 结果3.1 NDVI 和EVI 的季节动态利用MODIS 地表反照率产品(MOD09A1)提取的研究站点地表反照率数据, 发现红波段、近红外和蓝波段地表反照率都有明显的季节动态; 每年植被生长季(5~9月份), 近红外波段(841~875 nm)反照率均高于红(620~670 nm)和蓝波段(459~479 nm)(图5).研究站点EVI 和NDVI 季节动态差异显著, 最大EVI 值分别为0.36(2003年), 0.35 (2004年)和0.31(2005年); 而最大NDVI 分别为0.62 (2003年), 0.61(2004年)和0.57 (2005年)(图6). 基于NDVI 和EVI数值的显著差异, 我们假设利用NDVI 进行FP AR 估算时, FPAR 更多地代表了所有冠层(包括非光合有 效成分)的信息; 而基于EVI 进行FP AR 估算时, FP AR 代表了叶绿素实际吸收的光合有效辐射的比例. 同时, 虽然两类植被指数都很好地表征了GPP 迅速降低的物候转换期(图6); 但生长季EVI 和GPP 的相关关系高于NDVI (图7), 说明使用EVI 代替NDVI 进行植被生产力模拟的可靠性更高, 同时间接证明了关于EVI 和FP AR 的假设.3.2 LSWI 的季节动态研究站点各年累计降水分别为122.1 mm(2003年), 335.9 mm (2004年), 133.7 mm(2005年); 图3显示2004年LSWI 数据高于2003年和2005年(图3),LSWI 的年际变化可以反映研究站点干旱年(2003, 2004年)和湿润年(2005年)的差异. 此外, 非生长季LSWI 的显著升高源于研究区域冬季的积雪覆盖[13,15].997伍卫星等: 利用MODIS 影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力积雪对于可见光和近红外波段反射强烈, 而对于短波红外反射较弱[20], 导致LSWI 升高(图3). 图3同时显示了近红外和短波红外地表反照率的年际变化,植被生长季短波红外地表反照率明显高于近红外, 这表明利用二者的归一化处理表征地表植被状况是可行的.图3 2003年5月~2005年8月内蒙古锡林郭勒生态试验站近红外(NIR)、短波红外(SWIR)地表反照率以及陆地表面水分指数(LSWI )季节变化图4 2004年生长季内蒙古锡林郭勒生态试验站逐日平均空气温度和总初级生产力关系图当逐日平均气温高于17℃时, GPP 有明显的降低趋势998中国科学D辑: 地球科学 2008年第38卷第8期图5 研究站点2003年到2005年不同波段地表反照率动态变化在每年植被生长季(5~9月份), 近红外波段反照率数据都高于红和蓝波段数据; 在非生长季, 3个波段反照率数据比较接近, 但对于模型模拟没有影响, 因为非生长季温度低于最低光合作用温度(T min)图6 研究站点归一化植被指数(NDVI)、增强植被指数(EVI)以及总初级生产力(GPP)季节动态变化所有生长季NDVI数据均高于EVI999伍卫星等: 利用MODIS 影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力图7 生长季遥感植被指数(NDVI , EVI )和涡度相关通量观测的总初级生产力(GPP )之间的线性关系3.3 总初级生产力的模拟根据VPM 模型, 利用相应公式计算T scalar , W scalar和 P scalar , 同时结合PAR 和EVI 数据, 进行总初级生产力的模拟. T scalar 在一定程度上受到3个温度参数的影响. 在非生长季, 由于空气温度低于最低光合作用温度, 温度限制函数设置为0. 而在生长季, T scalar 由于空气温度的变化而表现出较大的波动, 尤其是2005年. 这种波动源于生长季空气温度接近最高光合作用温度, 依据公式(7), 当温度接近最高温度参数时, T scalar 会显著降低. 水分限制函数W scalar 依据公式(8)进行计算. 在非生长季, W scalar 也表现出较大的波动, 但由于此时T scalar 设置为0, 所以对模型结果的影响不大(图8). 同时, 针对草原生态系统, 我们设置P scalar 为1.利用VPM 模型模拟的GPP 和涡度相关通量观测的GPP 在研究时间段内季节动态一致. 尽管局部时间段(比如: 2004年生长季前期)模拟和观测值存在一些差异, 整体上看, VPM 很好地模拟了研究站点GPP 的季节动态(图9). 相对于其他两年, 2005年的模型拟合效果最差, 可能由于2005年研究站点严重干旱引起. 半干旱草原的初级生产力强烈地受到气候状况(特别是降水)的影响[23,24], 从图6可以看出, 2005年GPP 显著低于其他两年. 另外, 观测值(GPP obs )和模拟值(GPP VPM )之间的线性关系同样表明: 尽管模拟值存在大约6%的高估(研究时间段内模拟的GPP 总值为641.5 g C ·m −2; 同期观测的GPP 总值为603.8 g C ·m −2), 二者线性关系仍然十分显著(图9).4 讨论和总结针对温带草原生态系统总初级生产力的模拟研究发现了两个有意义的结果, 呼应了之前的研究[9,13~16]. 第一, 对于温带草原生态系统, EVI 和GPP 仍然具有更强的相关性, 而NDVI 和GPP 的相关关系却较弱. 在VPM 中, 我们使用EVI 代替NDVI 来表征地表的植被状况(“绿度”). 以前的研究发现, 这一改进对于森林生态系统的GPP 模拟有显著的优化效果. 实际上, 对于落叶林, EVI 和GPP 的相关关系达0.84, 而NDVI 仅有0.64, 可能森林生态系统较高的植被覆盖使得NDVI 达到饱和而导致该结果发生[14]. 然而, 本研究对于草原生态系统的模拟表明, 尽管草原植被覆盖度较低, EVI 在表征地表植被覆盖状况方面依然优于NDVI (图7). 同时, EVI 和GPP 的线性拟合离散程度更小, 而NDVI 和GPP 的线性拟合却比较离散, 进一步说明使用EVI 代替NDVI 进行GPP 模拟的优势. 第二, V P M 使用L S W I 来表示地表和植被的水分1000中国科学D辑: 地球科学 2008年第38卷第8期图8 对于最大光能利用效率的温度(T scalar)、水分(W scalar)和物候(P scalar)限制函数的季节动态变化温度限制函数在植被生长季表现出较大的波动, 而水分限制函数变化平缓, 物候限制函数设置为1图9 2003年到2005年模拟的总初级生产力(GPP VPM)和观测的总初级生产力(GPP obs)对比图DOY表示观测日在全年中所处的天数, 1月1日为第1天, 右下角的图显示研究时间段内GPP VPM和GPP obs的线性关系1001伍卫星等: 利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力状况, 同时利用W scalar来表征水分对于植被光合作用的影响. 相比之下, 大多数PEM使用可靠性较差、变异程度较大的土壤水分或VPD限制函数来表征水分的影响(表1). 在本研究中, 我们发现LSWI和W scalar 可以准确区分干旱年(2003, 2005)和湿润年(2004), 这证明利用遥感数据反演地表水分状况具有可信度.2003年到2005年近3年的模拟结果表明VPM在草原生态系统有很好的适用性. 然而, 模拟值和观测值之间仍然存在一定差异, 尤其是在2004年生长季的前期(图9, 10). 这种差异可能源于光合作用温度参数的选择, T min, T max和T opt对于T scalar有较大的影响, 本研究所采用的3个温度参数不同于其他的研究[9,13~16], 同时2004年水热条件较好, 使得本研究所选取的3个参数可能对模拟结果产生影响(图4). 另外, 涡度相关通量观测的GPP也存在一定误差[25,26]. 由于涡度相关观测系统仅能直接测定NEE, 所以在获得GPP时需要进行一系列处理. 尤其关键的两步是缺失数据的插补和白天生态系统呼吸的估算. 如何有效进行数据插补、准确拆分白天生态系统呼吸都是通量研究领域广泛争议的问题[26].但是, 对比其他的生产效率模型, 比如TURC和MODIS-PSN, VPM在该研究站点的模拟结果更为可信. 按照文献[5]的算法, 利用NDVI和实际测定的PAR数据, 我们得到了水热条件最适宜的2004年全年TURC模型估算的总初级生产力. 同时, 我们从EOS数据中心(/~imswww/ pub/imswelcome/)下载了标准的MODIS总初级生产力数据MOD17A2, 并根据经纬度信息提取了研究站点所在的GPP数据(图10). 因为将最大光能利用效率等同于实际的光能利用效率[5], TURC模型模拟的GPP 明显高于观测值; 而由于MODIS-PSN中光能利用效率被表示成温度和VPD的函数[8], 对于水热条件较好的年份, MODIS-PSN总初级生产力数据低于观测值[13].此外, 对于LSWI, 尽管可以定性表示干旱年和湿润年的差异(图3), 但基于遥感反照率数据的LSWI 是否能够准确定量反映地表的水分状况, 还需要进一步研究. 同时, 利用遥感技术反演地表和植被冠层水分状况仍然是遥感科学研究的重要问题[27~29].总的来说, VPM在模拟半干旱草原总初级生产力方面优于其他生产效率模型, 对于干旱和湿润年份, VPM都有较好的模拟效果. 依赖涡度相关技术测定的碳通量数据表明, 半干旱草原的GPP年际变化比较显著, 利用遥感数据实现对于草原生态系统图10 不同生产效率模型模拟的2004年GPP和观测GPP的对比图下标VPM, TURC 和MODIS-PSN 分别表示VPM, TURC和MODIS-PSN模型. 图中黑点表示涡度相关通量观测获得的GPP(GPP obs) 1002中国科学D辑: 地球科学 2008年第38卷第8期GPP的准确模拟, 有助于理解区域碳循环年际动态. 基于MODIS遥感数据, VPM实现了对于温带半干旱草原生态系统(本研究), 森林[13~16]和高寒草地、高寒沼泽生态系统[9]8 d时间分辨率、500 m空间分辨率GPP的准确模拟. 依靠逐渐开展的更多的模拟试验, 呼应其他生产效率模型, VPM模型的最终目的是以更高的时间、空间分辨率实现对于区域或全球不同生态系统总或净初级生产力的准确模拟.致谢 Bobby Braswell博士对本文初稿提出了宝贵建议, 两位匿名评审人对论文提出的修改意见, 张弥在数据处理方面、周蕾同学在论文修改方面提供帮助, 在此一并致谢.参考文献1 Falge E, Baldocchi D, Tenhunen J, et al. Seasonality of ecosystem respiration and gross primary production as derived from FLUX-NET measurements. Agric For Meteorol, 2002, 113: 53—74[DOI]2 Moncreiff J B, Malhi Y, Leuning R. The propagation of errors in long-term measurements of land-atmosphere fluxes of carbon andwater. Glob Change Biol, 1996, 2: 231—240[DOI]3 Running S W, Baldocchi D D, Turner D P, et al. A global terrestrial monitoring network integrating tower fluxes, flask sampling, eco-system modeling, and EOS satellite data. Remote Sens Environ, 1999, 70: 108—127[DOI]4 Liu J, Chen J M, Cihlar J, et al. Net primary productivity mapped for Canada at 1-km resolution. Glob Ecol Biogeogr, 2002, 11: 115—129[DOI]5 Ruimy A, Dedieu G, Saugier B. TURC: a diagnostic model of continental gross primary productivity and net primary productivity.Glob Biogeochem Cycle, 1996, 10: 269—285[DOI]6 Field C B, Randerson J T, Malmström. Global net primary production: combing ecology and remote sensing. Remote Sens Environ,1995, 51: 74—88[DOI]7 Heinsch F A, Reeves M, Votava P, et al. User’s Guide: GPP and NPP (MOD17A2/A3) Products NASA MODIS Land Algorithm,Version 2.0, 20038 Goetz S J, Prince S D, Goward S N, et al. Satellite remote sensing of primary production: an improved production efficiency modelingapproach. Ecol Model, 1999, 122: 239—255[DOI]9 Li Z Q, Yu G R, Xiao X M, et al. Modeling gross primary production of alpine ecosystems in the Tibetan Plateau using MODIS im-ages and climate data. Remote Sens Environ, 2007, 107: 510—51910 Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sens Environ, 1979, 8: 127—150[DOI]11 Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Re-mote Sens Environ, 2002, 83: 195—213[DOI]12 Turner D P, Urbanski S, Bremer D, et al. A cross-biome comparison of daily light use efficiency for gross primary production. GlobChange Biol, 2003, 9: 383—395[DOI]13 Xiao X M, Hollinger D, Aber J D, et al. Satellite-based modeling of gross primary production in an evergreen needle leaf forest. Re-mote Sens Environ, 2004, 89: 519—534[DOI]14 Xiao X M, Zhang Q Y, Braswell B, et al. Modeling gross primary production of temperate deciduous broadleaf forest using satelliteimages and climate data. Remote Sens Environ, 2004, 91: 256—270[DOI]15 Xiao X M, Zhang Q Y, Hollinger D, et al. Modeling gross primary production of an evergreen needleleaf forest using MODIS andclimate data. Ecol Appl, 2005, 15: 954—969[DOI]16 Xiao X M, Zhang Q Y, Saleska S, et al. Satellite-based modeling of gross primary production in a seasonally moist tropical evergreenforest. Remote Sens Environ, 2005, 94: 105—122[DOI]17 Yu G R, Wen X F, Sun X M, et al. Overview of ChinaFLUX and evaluation of its eddy covariance measurement. Agric For Meteorol,2006, 137: 125—137[DOI]18 Fu Y L, Yu G R, Sun X M, et al. Depression of net ecosystem CO2 exchange in semi-arid Leymus chinensis steppe and alpine shrub.1003。

藏北高原不同海拔高度高寒草甸植被指数与环境温湿度的关系沈振西;孙维;李少伟;何永涛;付刚;张宪洲;王江伟【摘要】藏北高寒草甸是全球高寒草地的重要组成部分，是对气候变化最敏感的植被类型之一。

关于高寒草地植被指数与环境温湿度因子的关系还存在着诸多不确定性，这限制了准确预测高寒草地植被生长对将来气候变化的响应。

定量化高寒草地植被指数与气候因子的关系利于预测将来气候变化对高寒草地植被生长的影响。

该研究基于相关分析和多重逐步回归分析探讨了藏北高原不同海拔高度（4300、4500和4700 m）的高寒草甸2011─2014年每年6─9月的归一化植被指数（normalized difference vegetation index，NDVI）、增强型植被指数（Enhanced Vegetation Index，EVI）与土壤温度、土壤湿度、空气温度、相对湿度、饱和水汽压差的相互关系。

相关分析表明，3种海拔的NDVI（4300 m：r=0.79，P=0.000；4500 m：r=0.80，P=0.000；4700 m：r=0.52，P=0.005）和EVI（4300 m：r=0.61，P=0.001；4500 m：r=0.66，P=0.000；4700 m：r=0.53，P=0.004）都随着土壤湿度的增加显著增加；3种海拔的NDVI（4300 m：r=-0.68，P=0.000；4500 m：r=-0.56，P=0.002；4700 m：r=-0.40，P=0.037）和EVI（4300 m：r=-0.56，P=0.002；4500 m：r=-0.49，P=0.008；4700 m：r=-0.46，P=0.014）都随着饱和水汽压差的增加显著降低；植被指数与环境温湿度因子的相关系数随着海拔的变化而变化；NDVI和EVI与环境温湿度因子的相关系数存在差异。

多重逐步回归分析表明，土壤湿度一个因子解释了3种海拔的归一化植被指数、海拔4300和4500 m的增强型植被指数的变异，而海拔4700 m的土壤湿度和土壤温度共同了解释了增强型植被指数的变异，其中土壤湿度的贡献较大。

利用EOS/MODIS数据估算西藏藏北高原地表草地生物量除多1姬秋梅2德吉央宗1普次11 西藏高原大气环境科学研究所，拉萨， 8500002 西藏自治区畜牧科学研究所，拉萨， 850000摘要植被生物量作为一个重要的植被状态参数，其估算不仅对研究陆地生态系统植被生产量、碳循环、营养分配等方面具有重要意义，植被生物量的大小直接影响人类对地表植被的利用特点，而且影响其他的生物物理参量。

各种不同空间分辨率、时间分辨率和波谱分辨率遥感数据的出现，使得实时监测大范围的植被生长成为可能。

文中根据2004年8月至9月草地植被地面观测资料结合同期的EOS/MODIS卫星遥感数据建立了西藏藏北高原草地植被地上生物量、绿色干物质获得量与EOS/MODIS归一化植被指数(NDVI)、增强植被指数(EVI)之间的关系，并与影响草地植被空间分布的主要气候和高程要素之间的关系进行了分析。

结果表明：在藏北高原NDVI较EVI能有效地估算草地地上生物量和绿色干物质获得量；藏北高原草地地上生物量与绿色干物质获得量的空间分布特征是从东南部到西北部逐渐减少，东南部部分地区每平方公顷的草地地上生物量在2000 kg以上，到西北部地区减少到200 kg以下。

影响草地地上生物量空间分布的主要气候要素是降水，两者的相关系数为0.64，其次为温度，相关系数为0.44；草地植被地上生物量的空间分布与高程呈反比，即海拔越高的地段生物量越低。

关键词：草地生物量，EOS/MODIS，气候要素，藏北高原。

初稿时间：2006年5月18日；修改稿时间：2006年9月25日。

资助课题：国家自然科学基金项目（40361001）和中国气象局气象新技术推广项目。

作者简介：除多,高级工程师,主要从事环境遥感与GIS应用。

Email:chu_d22@。