内蒙古中部MODIS植被动态监测分析_王军邦

基于MODIS—NDVI的内蒙古锡林郭勒草场荒漠化
评价方法研究的开题报告
一、研究背景
草原是我国重要的资源，占据着广阔的土地面积。

然而，由于气候
变化、人类活动等原因，草原生态系统面临着许多问题，其中草原荒漠
化是最为严重的一种形式。

内蒙古自治区锡林郭勒盟地处我国北方草原，其草原面积占到了全区总面积的70%以上，具有重要的生态和经济价值。

然而，近年来锡林郭勒草原荒漠化问题日益严重，需要采取科学有效的
手段进行评价和治理，以保护其生态环境。

二、研究目的
本研究旨在基于MODIS-NDVI数据，开发一种能够快速准确评价锡
林郭勒草场荒漠化程度的方法，为保护草原生态环境提供科学决策依据。

三、研究内容
1. 对MODIS-NDVI数据进行处理和分析，提取草场的植被覆盖信息。

2. 结合野外实地调查数据，建立草场荒漠化评价指标体系，并对指
标体系进行分析和优选。

3. 利用遥感与GIS技术将草场荒漠化指标体系与MODIS-NDVI数据相结合，建立内蒙古锡林郭勒草场荒漠化评价模型。

4. 通过模型验证和实地考察，评估该模型在草场荒漠化评价中的应
用效果，并进行相关分析和总结。

四、研究意义
1. 为掌握锡林郭勒草原荒漠化现状提供科学依据，制定合理的治理
方案。

2. 为草原生态环境的保护和可持续利用提供技术支撑，推动草原绿色发展。

3. 丰富草原荒漠化研究领域，为遥感与GIS技术在草原生态研究中的应用提供参考。

《锡林郭勒盟植被覆盖度变化及影响因素分析》篇一一、引言锡林郭勒盟位于内蒙古高原中部，是北方重要的生态屏障之一。

近年来，随着全球气候变化和人类活动的不断影响，该地区的植被覆盖度发生了显著变化。

本文旨在分析锡林郭勒盟植被覆盖度的变化趋势及其影响因素，为该地区的生态环境保护和可持续发展提供科学依据。

二、锡林郭勒盟植被覆盖度变化根据近几十年的遥感监测数据，锡林郭勒盟的植被覆盖度呈现出明显的时空变化特征。

总体上，该地区的植被覆盖度呈现出上升趋势，特别是在一些草原和荒漠化地区，植被恢复效果显著。

然而，不同区域和不同季节的植被覆盖度变化存在差异，需进行具体分析。

（一）时间变化特征从时间上看，锡林郭勒盟的植被覆盖度在近几十年间呈现整体上升的趋势。

特别是近年来，随着生态环境保护政策的实施和人工恢复措施的推进，植被恢复效果明显。

但同时，也应注意到极端气候事件（如干旱、洪涝等）对植被覆盖度的影响。

（二）空间分布特征从空间上看，锡林郭勒盟的植被覆盖度在不同区域存在差异。

一般来说，草原区域的植被覆盖度较高，而荒漠化地区和沙漠边缘的植被覆盖度相对较低。

此外，不同季节的植被覆盖度也存在差异，夏季植被生长旺盛，覆盖度较高；冬季则因植被枯黄而覆盖度较低。

三、影响因素分析（一）气候因素气候因素是影响锡林郭勒盟植被覆盖度的重要因素。

近年来，该地区的气候呈现出干旱化、暖湿化等趋势，这对植被的生长和分布产生了重要影响。

例如，干旱化导致土壤水分减少，影响植被的正常生长；而暖湿化则有利于植被的生长和恢复。

（二）人类活动人类活动也是影响锡林郭勒盟植被覆盖度的重要因素。

随着经济的快速发展和人口的增长，人类对自然资源的开发利用程度不断加深，包括过度放牧、开垦土地、采矿等人类活动都会对植被造成破坏。

此外，生态环境保护政策的实施和人工恢复措施的推进也对植被覆盖度产生了积极影响。

（三）地形地貌地形地貌也是影响锡林郭勒盟植被覆盖度的重要因素之一。

不同地区的地形地貌条件不同，导致降水量、光照、土壤类型等自然条件存在差异，进而影响植被的生长和分布。

定量遥感在生态学研究中的基础应用*王军邦1,2**牛 铮1 胡秉民2 王长耀1 王政权3(1中国科学院遥感应用研究所遥感信息科学重点实验室,北京100101;2浙江大学生命科学院农业生态研究所,杭州310029;3东北林业大学森林资源与环境学院,哈尔滨150040)摘 要 生态学问题,特别是近来兴起的全球变化问题,是存在于不同时空尺度的生物与环境互作的格局和动态变化,对它的研究需要较大时空尺度的数据支撑,因此不同时空分辩率的遥感影象图就成为了这一重要的数据源。

从遥感的功能出发,介绍了遥感应用于植被覆盖分类、生态系统参数提取及生态系统模型等方面的基础研究情况,试图为生态学研究提供应用遥感的思路,为进一步应用遥感解决生态学问题提供基础。

关键词 生态学,定量遥感,遥感分类,植被参数中图分类号 Q 149 文献标识码 A 文章编号 1000-4890(2004)02-0152-06Primary appli cations of quantitative remote sensing in ecological research.WAN G Junbang 1,2,N IU Zheng 1,HU Binmin 2,WA NG Chang yao 1,WAN G Zheng quan 3(1L A RSI S,I nstitute of Re mote Sensing A p plications ,Chinese A cademy of Sciences ,Beij ing 100101,China;2I nstitute of A gr icultur e Ecology ,Lif e Science College,Zhej iang University ,H angz hou 310029,China;3College of For est Resour ce and Env ironment ,N or theaster n China For estry University ,H ar bin 150040,China).Chinese Jour nal of Ecology ,2004,23(2):152~157.Remote sensing is w idely applied in ecolog ical research.T he combination of remote sensing and ecol ogy is very important in solv ing env ironment problems and for their development.M any scient i sts hav e discussed the application of remote sensing in ecolo gy.In t his paper,the function of remote sensing for ecological r esearch is introduced: vegetation classification; land surface and env iron ment parameter retrieval; vegetation parameter r etr iev al; application in ecosystem car bon cycle.Key words ecology,quantitative remote sensing,classification,parameter.*中国科学院知识创新工程重大项目(KZCX1-S W-01)、国家重点基础研究发展规划项目(G2000077900)和国家高技术研究与发展计划资助项目(2001AA135050,2003AA131170)。

《基于MODIS-NDVI的内蒙古植被覆盖变化及其驱动因子分析》篇一一、引言随着全球气候变化的加剧，生态环境保护成为国际关注的热点问题。

作为中国的重要生态屏障和自然资源的集聚地，内蒙古的植被覆盖变化具有深远的意义。

植被覆盖度的变化不仅是环境变化的直接体现，还直接影响到当地的生态系统服务功能和生态环境安全。

基于中分辨率成像光谱仪（MODIS）的归一化植被指数（NDVI）数据，本文对内蒙古地区的植被覆盖变化进行了深入研究，并对其驱动因子进行了分析。

二、研究区域与方法1. 研究区域本研究以内蒙古地区为研究对象，该地区位于中国的北部，地域辽阔，生态环境多样。

2. 研究方法利用MODIS-NDVI数据，通过遥感技术手段，对内蒙古地区的植被覆盖度进行动态监测和空间分析。

同时，结合气象、土地利用等数据，对植被覆盖变化的驱动因子进行综合分析。

三、内蒙古植被覆盖变化分析1. 时间变化趋势通过对MODIS-NDVI数据的分析，发现内蒙古地区的植被覆盖度在近二十年内呈现出明显的上升趋势。

其中，北部地区的植被恢复尤为显著。

2. 空间分布特征从空间分布上看，内蒙古的植被覆盖度在全区范围内均有提高，但不同地区的改善程度存在差异。

其中，草原区和荒漠区的改善最为明显。

四、植被覆盖变化驱动因子分析1. 气候因素气候因素是影响内蒙古植被覆盖变化的主要因素之一。

近二十年来，内蒙古地区的气候呈现出暖湿化的趋势，有利于植被的生长和恢复。

2. 土地利用变化土地利用的变化也对内蒙古的植被覆盖产生了重要影响。

随着退耕还林、还草等生态工程的实施，土地的利用方式发生了改变，为植被的生长提供了更好的条件。

3. 人为因素人为因素也是影响内蒙古植被覆盖变化的重要因素。

随着经济的发展和人口的增长，人类活动对自然环境的干扰和破坏也越来越严重。

然而，随着环保意识的提高和生态保护政策的实施，人类活动对植被恢复的促进作用也逐渐显现。

五、结论与建议1. 结论本研究基于MODIS-NDVI数据，对内蒙古地区的植被覆盖变化进行了深入研究，并对其驱动因子进行了分析。

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。

《内蒙古西部沙区植被指数动态变化及其驱动因素》篇一一、引言近年来，全球环境问题愈发严重，沙尘暴等环境问题也逐渐显现出其对生态系统的严重冲击。

而中国内蒙古西部沙区，因其特殊地理位置和自然环境，已经成为生态恢复与环境保护的热点地区。

在此背景下，探讨该区域植被指数的动态变化及其驱动因素，对于理解区域生态系统的演变规律、制定合理的生态保护政策具有重要意义。

本文旨在分析内蒙古西部沙区植被指数的动态变化，并探讨其背后的驱动因素。

二、研究区域与方法（一）研究区域本研究选取内蒙古西部沙区作为研究对象，该区域具有典型的沙漠化特征，是研究植被恢复与生态保护的重要区域。

（二）研究方法本文采用遥感技术、GIS分析以及数理统计等方法，通过收集历史遥感影像数据，对内蒙古西部沙区植被指数进行动态监测和分析。

同时，结合气象、土壤等数据，综合分析植被指数变化的驱动因素。

三、内蒙古西部沙区植被指数动态变化分析（一）植被指数变化趋势通过对历史遥感影像数据的分析，发现内蒙古西部沙区植被指数呈现出明显的上升趋势。

这表明该区域的生态环境正在逐渐改善，植被覆盖度不断提高。

（二）季节性变化在季节性变化方面，春季和秋季是植被生长的主要时期，此时植被指数变化较为明显。

而在夏季和冬季，由于气候原因，植被生长受到一定程度的抑制。

四、植被指数变化驱动因素分析（一）自然因素自然因素是影响内蒙古西部沙区植被指数变化的主要因素之一。

其中，气候条件和土壤条件是关键因素。

气候变暖、降水增多等有利于植被生长的气候条件，以及土壤肥力的提高等，都为植被恢复提供了有利条件。

（二）人为因素人为因素也是影响内蒙古西部沙区植被指数变化的重要因素。

人类活动如土地利用方式的改变、植被的过度采伐、不合理的放牧等都会对植被恢复造成一定的负面影响。

而随着生态保护政策的实施，如退耕还林、封山育林等措施的实施，为植被恢复提供了有力支持。

五、结论与建议（一）结论通过对内蒙古西部沙区植被指数的动态变化及其驱动因素的分析，发现该区域植被指数呈现出明显的上升趋势，生态环境正在逐渐改善。

《基于MODIS-NDVI的内蒙古植被覆盖变化及其驱动因子分析》篇一一、引言内蒙古，作为中国的重要生态屏障，其植被覆盖变化对区域乃至全球的气候环境有着深远的影响。

近年来，随着遥感技术的快速发展，利用MODIS-NDVI等数据源来分析区域植被覆盖变化已经成为重要研究手段。

本文基于MODIS-NDVI数据，对内蒙古地区植被覆盖的变化及其驱动因子进行分析，以期为区域生态环境的保护与治理提供科学依据。

二、研究区域与数据内蒙古位于中国的北部，地形多样，包括草原、沙漠、山地等。

本研究选用的数据为MODIS-NDVI数据，该数据具有时间序列长、空间分辨率高等优点，能有效地反映地表植被的生长状态和覆盖度。

研究时段为近十年，以年度为单位进行数据采集和分析。

三、内蒙古植被覆盖变化分析1. 时间变化趋势通过分析MODIS-NDVI数据，我们发现内蒙古地区的植被覆盖度在近十年内呈现出明显的变化趋势。

总体上，大部分地区的植被覆盖度呈现上升趋势，尤其是在草原区和部分山区。

然而，在沙漠等地区，由于自然因素和人为活动的共同作用，植被覆盖度的变化较为复杂。

2. 空间分布特征在空间分布上，内蒙古地区的植被覆盖度存在显著的差异。

草原区和高山区的植被覆盖度较高，而沙漠区和部分干旱区的植被覆盖度较低。

此外，不同地区植被覆盖度的变化速度和趋势也存在差异。

四、驱动因子分析1. 自然因素自然因素是影响内蒙古地区植被覆盖变化的重要因素之一。

气候因素如降水、温度等对植被生长具有重要影响。

此外，地形、土壤等因素也对植被的生长和分布产生影响。

例如，在草原区和山区，由于降水充足、土壤肥沃，植被覆盖度较高。

而在沙漠区等干旱地区，由于降水稀少、土壤贫瘠，植被生长受到限制。

2. 人为因素人为因素也是影响内蒙古地区植被覆盖变化的重要因素。

过度开垦、过度放牧等人类活动导致土地退化、沙化等问题，进一步影响到植被的生长和分布。

此外，生态保护政策的实施如退耕还林、退牧还草等也对植被的恢复和保护起到积极作用。

《蒙古国中部草原植被和土壤微生物多样性的研究》篇一一、引言蒙古国作为世界上最大的内陆国家，其地理环境独特，特别是中部草原区域具有极其重要的生态地位。

随着生态学与生物多样性研究的不断深入，蒙古国中部草原的植被与土壤微生物多样性成为了学者们研究的热点。

本文将通过详尽的实地调查和实验室分析，深入探讨蒙古国中部草原植被与土壤微生物的多样性，为生态保护与可持续发展提供理论支持。

二、研究区域与方法本研究选取了蒙古国中部具有代表性的草原区域进行调查研究。

主要采用了野外实地考察、样地设置、植被样本采集、土壤样本采集以及实验室分析等方法。

同时，结合地理信息系统（GIS）技术，对研究区域的生态环境进行综合分析。

三、植被多样性研究1. 植被组成通过实地调查与样本分析，我们发现蒙古国中部草原植被主要由草本植物、灌木以及少量的乔木组成。

其中，草本植物种类繁多，包括各种蒿属植物、针茅属植物等。

灌木主要为锦鸡儿、沙棘等。

乔木则以杨树、桦树等为主。

2. 植被分布与演替研究发现在不同气候、土壤条件下，植被的分布与演替存在明显差异。

随着降水量的增加，草本植物种类增多，形成较为丰富的群落结构。

而在干旱区域，则以耐旱性强的灌木和草本植物为主。

此外，随着气候变化和人类活动的影响，部分地区出现了植被退化现象，但整体上，草原生态系统具有一定的自我修复能力。

四、土壤微生物多样性研究1. 土壤微生物种类与数量通过对土壤样本的分析，我们发现蒙古国中部草原土壤中存在大量的细菌、真菌、放线菌等微生物。

其中，细菌数量最多，其次是真菌和放线菌。

这些微生物在草原生态系统中扮演着重要的角色，参与有机物的分解、营养元素的循环等过程。

2. 土壤微生物与环境因素的关系研究发现在不同气候、土壤类型条件下，土壤微生物的种类与数量存在差异。

例如，在湿润区域，真菌的数量较多；而在干旱区域，细菌的数量占优势。

此外，人类活动如过度放牧、土地开垦等也会影响土壤微生物的多样性。

因此，保护草原生态环境对于维持土壤微生物多样性具有重要意义。