芦苇湿地植被NPP遥感估算模型构建与应用

碳汇量遥感估算
碳汇量遥感估算通常涉及使用遥感技术来监测和评估生态系统（如森林、湿地和草地）的碳储存能力。

这种估算方法基于遥感数据，这些数据可以通过卫星或航空器收集，提供关于生态系统结构和功能的详细信息。

以下是一些常见的碳汇量遥感估算方法：
植被指数：植被指数是一种通过遥感数据计算得出的数值，可以反映植被的生长状况、生物量和碳储存量。

常用的植被指数包括归一化植被指数（NDVI）和增强型植被指数（EVI）等。

叶面积指数（LAI）：叶面积指数是单位地面面积上植物叶片总面积的度量，与碳储存量密切相关。

通过遥感数据可以估算LAI，进而估算碳储存量。

模型估算：利用遥感数据和生态系统过程模型（如生物地球化学循环模型）可以估算生态系统的碳储存量。

这些模型通常考虑生态系统的各种因素，如气候、土壤、植被类型和生物地球化学过程等。

机器学习算法：近年来，机器学习算法在遥感估算碳汇量方面得到了广泛应用。

这些方法可以利用遥感数据和其他辅助数据（如地形、气候等）来训练模型，并预测生态系统的碳储存量。

需要注意的是，遥感估算碳汇量具有一定的不确定性，因为生态系统碳储存量受到多种因素的影响，而且遥感数据本身也可能存在误差。

因此，在进行碳汇量遥感估算时，
需要综合考虑各种因素，以提高估算的准确性和可靠性。

基于无人机遥感的植被覆盖度估算研究随着人类对自然资源的侵占不断加剧，对生态环境的保护也越来越受到关注。

植被作为生态系统的重要组成部分，对维持生态平衡和地球生命的可持续发展起着不可替代的作用。

因此，准确地了解植被覆盖度情况对于生态环境的保护和生态系统的可持续发展非常必要。

近年来，随着遥感技术的发展，基于无人机遥感的植被覆盖度估算研究逐渐成为研究热点。

相比传统遥感技术，无人机遥感技术的优势在于其高分辨率、高精度、高灵活性和低成本等特点，可以更加准确地估算植被覆盖度情况。

一、无人机遥感技术在植被覆盖度估算中的应用无人机遥感技术在植被覆盖度估算中的应用可以分为两种方式：一种是利用无人机搭载的光学相机进行影像采集，计算植被覆盖度指数；另一种是利用无人机搭载的激光雷达进行三维建模，计算植被高度、体积和覆盖度等指标。

1. 光学相机影像采集利用无人机搭载的光学相机进行影像采集的方式可以分为两种：一种是采集RGB（红、绿、蓝）三色波段影像，通过计算归一化植被指数（NDVI）来估算植被覆盖度；另一种是采集多光谱影像，通过计算植被指数来估算植被覆盖度。

归一化植被指数是基于红外线光谱波段和可见光谱波段的差异计算得出的，常用的计算公式为：NDVI=(NIR-RED)/(NIR+RED)其中，NIR为近红外波段的反射率，RED为红光波段的反射率。

NDVI的取值范围为-1到+1，数值越大表示植被覆盖度越高。

2. 激光雷达三维建模利用无人机搭载的激光雷达进行三维建模的方式可以获取植被高度、体积和覆盖度等指标。

激光雷达通过激光束扫描植被表面并记录植被与激光束的反射距离，从而获得植被表面的三维坐标信息，进而进行三维建模。

利用三维建模技术，可以计算出植被的高度和体积，从而估算植被覆盖度。

高度越低、密度越高的植被覆盖度越高。

二、无人机遥感技术在植被覆盖度估算中存在的问题和挑战虽然无人机遥感技术在植被覆盖度估算中具有很大的优势，但是实际应用过程中还存在许多问题和挑战。

叶面积指数三类遥感估算方法叶面积指数（Leaf Area Index，LAI）是一个衡量植物叶片覆盖程度的重要指标，可通过遥感技术进行估算。

下面是关于叶面积指数估算方法的十条描述：1. 植被指数法：植被指数法是通过计算可见光或近红外波段的植被指数（如归一化植被指数，NDVI）并与地面测量的LAI进行回归分析来估算LAI。

这种方法使用简便，但由于植被指数与LAI之间的关系复杂，估算结果的精度有限。

2. 基于VegeSAIL模型的方法：VegeSAIL模型是一种基于光谱的LAI估算模型，它将植被覆盖度和植被构型与LAI进行建模。

通过遥感数据和该模型对比分析，可以估算出植被的LAI。

3. 基于PROSAIL模型的方法：PROSAIL模型是一种基于物理过程的植被辐射传输模型，可以模拟不同植被类型和结构的辐射反射特性。

通过将遥感数据与该模型相结合，可以估算出植被的LAI。

4. 基于NERD模型的方法：NERD模型是一种基于点源和线源的辐射传输模型，可以模拟植被的光谱反射特性。

通过将遥感数据与该模型相结合，可以估算出植被的LAI。

5. 基于深度学习的方法：深度学习是一种利用神经网络模拟大脑处理信息的方法。

通过训练神经网络模型，可以利用遥感数据估算出植被的LAI。

6. 基于回归分析的方法：这种方法通过建立遥感数据与地面测量LAI之间的回归关系，利用回归模型对LAI进行估算。

回归分析方法适用于区域尺度的估算，但可能受到数据不一致性和空间变异性的限制。

7. 基于的时序遥感的方法：时序遥感数据包含不同时期植被的遥感信息，可以通过比较不同时期的遥感数据，推断植被的LAI变化。

这种方法可以监测植被的动态变化，但需要较长的时间序列数据。

8. 基于植被指标的方法：这种方法通过使用特定的植被指标（如NDVI和EVI）与LAI 之间的经验关系，对植被的LAI进行估算。

这种方法简单易用，但精度较低。

9. 基于遥感图像分割的方法：这种方法通过将遥感图像分割为不同的植被对象，然后分别估算每个植被对象的LAI。

基于遥感的九段沙湿地植被群落动态变化分析
基于遥感的九段沙湿地植被群落动态变化分析
九段沙是长江口重要的新生湿地.作为主要地物类型之一的植被群落,是反映潮滩湿地生态环境变化重要而又敏感的指标因子.本文通过1987～2008年六景Landsat卫星遥感数据对九段沙植被群落进行了分类提取,并利用ArcGIS软件分析了长江口九段沙植被群落20年来的时空动态变化.结果显示1987～1997年间,九段沙湿地植被以先锋植被海三棱蔗草为主,植被面积随潮滩不断淤涨而增长;1997年人工促淤种植了芦苇和互花米草,至2008年,芦苇、互花米草和海三棱蔗草三种植被群落所占植被总面积百分比分别为31.47%、39.35%和29.17%,其中外来物种互花米草优势明显,当地植被海三棱蔗草所占面积比例显著下降.
作者：刘瑜韩震柴勋 LIU Yu HAN Zhen CHAI Xun 作者单位：刘瑜,柴勋,LIU Yu,CHAI Xun(上海海洋大学海洋科学学院,上海,201306) 韩震,HAN Zhen(上海海洋大学海洋科学学院,上海,201306;大洋渔业资源可持续开发省部共建教育部重点实验室,上海,201306;上海海洋大学海洋防灾减灾中心,上海,201306)
刊名：生态科学英文刊名：ECOLOGICAL SCIENCE 年，卷(期)：2009 28(4) 分类号：X171.1 关键词：九段沙植被群落遥感时空变化。

植物叶绿素含量遥感监测及其应用随着遥感技术的发展，越来越多的自然资源可以通过卫星遥感获取，其中植物叶绿素含量是一项热门研究领域。

植物叶绿素含量是植物光合作用的一个重要指标，可以反映植物的健康状况和生长发育情况。

因此，植物叶绿素含量的遥感监测和应用已经成为生态环境、农业和林业等领域的研究热点。

一、植物叶绿素含量遥感监测方法植物叶绿素含量的遥感监测方法主要是通过卫星的遥感数据来反演。

这些数据包括多光谱遥感数据和高光谱遥感数据。

多光谱遥感数据一般包括绿色波段、红色波段和近红外波段等，可以用来计算植被指数（例如归一化植被指数）和反演叶绿素含量。

高光谱遥感数据包含更多的光谱波段，可以更准确地反演叶绿素含量。

通过这些遥感数据，研究人员可以计算出反射率光谱曲线。

在这个过程中，需要对光谱计算进行校正，包括大气校正、地表反射校正等。

然后，可以使用遥感反演算法来计算植物叶绿素含量。

遥感反演算法基于统计模型、机器学习等方法，可以将反演光谱曲线和实测植物叶绿素含量之间的关系建立起来，从而计算出遥感获取的叶绿素含量。

二、植物叶绿素含量遥感监测应用1. 生态环境监测植物叶绿素含量可以反映生态系统和环境的状态。

通过遥感监测叶绿素含量，可以对全球性的环境进程进行追踪和评估，例如气候变化对生态系统的影响、湿地环境的变化、水质的污染状况等等。

我们可以将不同区域的植物叶绿素含量进行比较，从而了解环境变化的影响。

2. 农业生产植物叶绿素含量也广泛应用于农业领域。

在作物生长过程中，叶绿素含量与作物的生长状态和健康情况密切相关。

通过遥感监测农田中的叶绿素含量，可以对作物的生长情况进行评估并及时采取调控措施，提高作物产量和质量。

3. 森林监测森林是地球系统中重要的碳汇，森林生态系统的变化对于全球气候的影响非常重要。

植物叶绿素含量的遥感监测在森林监测中也有广泛的应用。

通过遥感监测森林中不同树种的生长状况，可以及时发现森林病虫害和火灾等问题，并采取措施预防和解决。

地上生物量遥感估算模型类型
地上生物量遥感估算模型类型主要包括以下几种：
1. 基于森林样地清查法的地上生物量估算模型。

这种方法是传统的森林生物量估算方法，也是森林资源调查最切实可行的途径。

首先设计并建立典型样地，然后野外实测每块样地的生物量，最后通过样地生物量数据来估算一定区域范围内森林生态系统中的总生物量。

该类方法主要包括平均生物量估算法、换算因子连续函数估算法、平均换算因子估算法和生物量换算因子法。

2. 气候相关模型。

包含米阿利模型、托姆斯维特·莫里亚尔模型等，但由于气候因子复杂多变且很难由单因子决定，所以这类模型并没有被完全证实，只能作为经验技巧服务于植物潜在生物量的估测研究。

3. 光能利用率模型。

主要为CASA和GLPEM两种模型。

此类模型的机理类似木桶效应，选择一种最稀缺的资源作为其决定因素。

这样便可以通过一个简单的系数或使用单一的调控就可以使模型进行模拟计算，因此光能利用率模型都比较方便，但对精度无法保证。

光能利用率模型更适用于大尺度范围的宏观模拟计算，小尺度下的精准研究一般难以胜任。

总的来说，遥感技术是目前应用最为广泛的地上生物量估算技术，其使用GPS、GIS等手段进行信息采集，并参考光谱的相关理论，取得大量相关数据并进行系统处理分析，由此完成草地地上生物量的估计、草地生物量动态
平衡等一系列复杂的估测分析研究。

遥感技术发展至今其功能越来越强大，精度越来越高，日后必然成为草地调查研究的最佳方法。

第４０卷第１５期２０２０年８月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．４０，Ｎｏ．１５Ａｕｇ．，２０２０基金项目：国家自然科学基金项目（３１８６０１４５）；中央财政专项资金（新［２０２０］ＴＧ０６）收稿日期：２０１９⁃０１⁃２７；㊀㊀修订日期：２０２０⁃０４⁃１７∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｚｒｐ２０１３＠１２６．ｃｏｍＤＯＩ：１０．５８４６／ｓｔｘｂ２０１９０１２７０２０４张仁平，郭靖，张云玲．新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应．生态学报，２０２０，４０（１５）：５３１８⁃５３２６．ＺｈａｎｇＲＰ，ＧｕｏＪ，ＺｈａｎｇＹＬ．ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｏｆＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄａｎｄｉｔｓｒｅｓｐｏｎｓｅｔｏｃｌｉｍａｔｉｃｃｈａｎｇｅｓ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０２０，４０（１５）：５３１８⁃５３２６．新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应张仁平１，２，∗，郭㊀靖３，张云玲４１新疆大学资源与环境科学学院，乌鲁木齐㊀８３００４６２新疆大学绿洲生态教育部重点实验室，乌鲁木齐㊀８３００４６３新疆林业科学院，乌鲁木齐㊀８３００００４新疆维吾尔自治区草原总站，乌鲁木齐㊀８３００４９摘要：分析植被物候与净初级生产力对气候变化的响应一直是研究全球变化的核心内容之一㊂新疆草地生态系统极为脆弱，对气候和环境变化的影响十分敏感，在新疆地区开展草地物候和净初级生产力及其对气候变化的响应有着独特的意义㊂基于遥感数据和野外台站实测数据，利用ＣＡＳＡ模型模拟了新疆草地植被净初级生产力（ＮＰＰ），阐述了２００１ ２０１４年新疆地区草地的ＮＰＰ的空间格局及与气象因子的关系㊂（１）通过实测生物量精度检验表明，ＣＡＳＡ模型基本可以反映新疆地区草地植被ＮＰＰ㊂（２）２００１ ２０１４年新疆草地ＮＰＰ平均值为１０２．４９ｇＣｍ－２ａ－１㊂不同草地类型的ＮＰＰＡ存在明显差异㊂其中，山地草甸平均ＮＰＰ最高，达到２５２．３７ｇＣｍ－２ａ－１；温性草甸草原次之，为２０４．９３ｇＣｍ－２ａ－１㊂高寒荒漠和温性荒漠的平均ＮＰＰ最低，分别为４３．９４ｇＣｍ－２ａ－１，５３．１１ｇＣｍ－２ａ－１㊂（３）新疆ＮＰＰ的空间分布格局具有如下特点：山区ＮＰＰ高于盆地ＮＰＰ，北疆ＮＰＰ高于南疆ＮＰＰ；（４）降水能够促进新疆草地ＮＰＰ增加，其中，夏季和秋季的降水对草地ＮＰＰ的影响最为明显，温度对新疆地区草地ＮＰＰ影响不大㊂降雨可以促进新疆草原ＮＰＰ的增加㊂特别是在降水量较少但温度较高的草原，如温带荒漠草原㊁温带草原沙漠㊁温带沙漠㊁低地草甸等，年降水量和夏秋降水量对草地ＮＰＰ有显著影响㊂温度对新疆草地ＮＰＰ的影响不大㊂通过对新疆草地空间格局的分析，研究了草地ＮＰＰ对气候变化的响应，为合理规划新疆草地的生产和利用，以及草地生态系统的健康发展和应对气候变化提供决策依据㊂关键词：草地；ＮＰＰ；新疆；ＣＡＳＡ模型ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｏｆＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄａｎｄｉｔｓｒｅｓｐｏｎｓｅｔｏｃｌｉｍａｔｉｃｃｈａｎｇｅｓＺＨＡＮＧＲｅｎｐｉｎｇ１，２，∗ＧＵＯＪｉｎｇ３，ＺＨＡＮＧＹｕｎｌｉｎｇ４１ＣｏｌｌｅｇｅｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅｓ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ８３００４６，Ｃｈｉｎａ２ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＯａｓｉｓＥｃｏｌｏｇｙｕｎｄｅｒＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ８３００４６，Ｃｈｉｎａ３ＸｉｎｊｉａｎｇＡｃａｄｅｍｙＦｏｒｅｓｔｒｙ，Ｕｒｕｍｑｉ８３００００，Ｃｈｉｎａ４ＧｅｎｅｒａｌＧｒａｓｓｌａｎｄＳｔａｔｉｏｎｏｆＸｉｎｊｉａｎｇ，Ｕｒｕｍｑｉ８３００４９，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ａｎａｌｙｓｉｓｏｆｖｅｇｅｔａｔｉｖｅｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）ｉｎｒｅｓｐｏｎｓｅｔｏｃｌｉｍａｔｅｃｈａｎｇｅｈａｓｂｅｅｎｏｎｅｏｆｔｈｅｃｏｒｅｉｓｓｕｅｓｏｆｇｌｏｂａｌｃｈａｎｇｅｓｔｕｄｉｅｓ．ＴｈｅｇｒａｓｓｌａｎｄｅｃｏｓｙｓｔｅｍｉｎＸｉｎｊｉａｎｇｉｓｅｘｔｒｅｍｅｌｙｆｒａｇｉｌｅａｎｄｓｅｎｓｉｔｉｖｅｔｏｃｌｉｍａｔｅａｎｄｅｎｖｉｒｏｎｍｅｎｔａｌｃｈａｎｇｅｓ．Ｈｅｎｃｅ，ｉｔｉｓｐａｒｔｉｃｕｌａｒｌｙｉｍｐｏｒｔａｎｔｔｏｉｎｖｅｓｔｉｇａｔｅｇｒａｓｓｌａｎｄｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙａｎｄｉｔｓｒｅｓｐｏｎｓｅｔｏｃｌｉｍａｔｅｃｈａｎｇｅｉｎＸｉｎｊｉａｎｇ．ＴｈｉｓｓｔｕｄｙｓｉｍｕｌａｔｅｓｔｈｅＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎｗｉｔｈｔｈｅＣＡＳＡｍｏｄｅｌｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａａｎｄｍｅａｓｕｒｅｄｄａｔａｆｒｏｍｆｉｅｌｄｓｔａｔｉｏｎｓａｎｄｄｅｓｃｒｉｂｅｓｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｐａｔｉａｌｐａｔｔｅｒｎｓｏｆｔｈｅＮＰＰｏｎｔｈｅＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄａｎｄｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒｓｆｒｏｍ２００１ｔｏ２０１４．（１）Ｔｈｒｏｕｇｈａｃｃｕｒａｃｙｖｅｒｉｆｉｃａｔｉｏｎｗｉｔｈｔｈｅｍｅａｓｕｒｅｄｂｉｏｍａｓｓｄａｔａ，ｉｔｗａｓｓｈｏｗｎｔｈａｔｔｈｅＣＡＳＡｍｏｄｅｌｃａｎｂａｓｉｃａｌｌｙｒｅｆｌｅｃｔｔｈｅＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎ．（２）ＴｈｅａｖｅｒａｇｅｖａｌｕｅｏｆｔｈｅＮＰＰｏｆｔｈｅＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｆｒｏｍ２００１ｔｏ２０１４ｗａｓ１０２．４９ｇＣｍ－２ａ－１．ＴｈｅｒｅａｒｅｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｓｉｎＮＰＰａｍｏｎｇｄｉｆｆｅｒｅｎｔｇｒａｓｓｌａｎｄｔｙｐｅｓ．ＴｈｅＮＰＰｏｆｍｏｕｎｔａｉｎｍｅａｄｏｗｓｉｓｔｈｅｈｉｇｈｅｓｔ，ｒｅａｃｈｉｎｇ２５２．５７ｇＣｍ－２ａ－１，ｆｏｌｌｏｗｅｄｂｙｔｈａｔｏｆｔｈｅｔｅｍｐｅｒａｔｅｍｅａｄｏｗｇｒａｓｓｌａｎｄｓ，ｗｉｔｈ２０４．９３ｇＣｍ－２ａ－１．ＴｈｅＮＰＰｏｆａｌｐｉｎｅｄｅｓｅｒｔａｎｄｔｅｍｐｅｒａｔｅｇｒａｓｓｌａｎｄｄｅｓｅｒｔｉｓｔｈｅｌｏｗｅｓｔ，ａｔ４３．９４ｇＣｍ－２ａ－１ａｎｄ５３．１１ｇＣｍ－２ａ－１，ｒｅｓｐｅｃｔｉｖｅｌｙ．（３）ＴｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｏｆｔｈｅＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓ：ｔｈｅＮＰＰｏｆｔｈｅｍｏｕｎｔａｉｎｇｒａｓｓｌａｎｄｉｓｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｂａｓｉｎｇｒａｓｓｌａｎｄ，ａｎｄｔｈｅＮＰＰｏｆｔｈｅｇｒａｓｓｌａｎｄｉｎｎｏｒｔｈｅｒｎＸｉｎｊｉａｎｇｉｓｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｇｒａｓｓｌａｎｄｉｎｓｏｕｔｈｅｒｎＸｉｎｊｉａｎｇ．（４）ＲａｉｎｆａｌｌｃａｎｐｒｏｍｏｔｅａｎｉｎｃｒｅａｓｅｉｎｔｈｅＮＰＰｏｆＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｓ．Ｉｎｐａｒｔｉｃｕｌａｒ，ｉｎｇｒａｓｓｌａｎｄｓｗｉｔｈｌｅｓｓｐｒｅｃｉｐｉｔａｔｉｏｎｂｕｔｈｉｇｈｅｒｔｅｍｐｅｒａｔｕｒｅｓ，ｓｕｃｈａｓｔｅｍｐｅｒａｔｅｄｅｓｅｒｔｇｒａｓｓｌａｎｄｓ，ｔｅｍｐｅｒａｔｅｇｒａｓｓｌａｎｄｄｅｓｅｒｔｓ，ｔｅｍｐｅｒａｔｅｄｅｓｅｒｔｓ，ａｎｄｌｏｗｌａｎｄｍｅａｄｏｗｓ，ａｎｎｕａｌｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄｓｕｍｍｅｒａｎｄａｕｔｕｍｎｐｒｅｃｉｐｉｔａｔｉｏｎｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｉｍｐａｃｔｏｎｇｒａｓｓｌａｎｄＮＰＰ．Ｈｏｗｅｖｅｒ，ｔｈｅｔｅｍｐｅｒａｔｕｒｅｈａｓｌｉｔｔｌｅｉｎｆｌｕｅｎｃｅｏｎｔｈｅＮＰＰｏｆｔｈｅＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄ．ＢｙａｎａｌｙｚｉｎｇｔｈｅｓｐａｔｉａｌｐａｔｔｅｒｎｓｏｆｔｈｅｇｒａｓｓｌａｎｄｉｎＸｉｎｊｉａｎｇ，ｔｈｅｒｅｓｐｏｎｓｅｏｆｇｒａｓｓｌａｎｄＮＰＰｔｏｃｌｉｍａｔｅｃｈａｎｇｅｗａｓｓｔｕｄｉｅｄｉｎｏｒｄｅｒｔｏｐｒｏｖｉｄｅａｄｅｃｉｓｉｏｎ⁃ｍａｋｉｎｇｂａｓｉｓｆｏｒｔｈｅｒａｔｉｏｎａｌｐｌａｎｎｉｎｇｏｆｇｒａｓｓｌａｎｄｐｒｏｄｕｃｔｉｏｎａｎｄｕｔｉｌｉｚａｔｉｏｎ，ｔｈｅｈｅａｌｔｈｙｄｅｖｅｌｏｐｍｅｎｔｏｆｇｒａｓｓｌａｎｄｅｃｏｓｙｓｔｅｍｓａｎｄｔｈｅｒｅｓｐｏｎｓｅｔｏｃｌｉｍａｔｅｃｈａｎｇｅ．ＫｅｙＷｏｒｄｓ：ｇｒａｓｓｌａｎｄ；ＮＰＰ；Ｘｉｎｊｉａｎｇ；ＣＡＳＡｍｏｄｅｌ草地生态系统是陆地生态系统的重要组成部分，草地植被是陆地上面积最大的一种可更新资源，对于调节全球碳循环和气候具有重要的作用，同时草地也是畜牧业发展的重要物质基础［１⁃３］㊂植被净初级生产力作为陆地表面碳循环的重要部分，不仅反映自然环境下植被的生产能力，也是衡量生态系统碳源／碳汇转换的主要因子，因而在分析碳循环以及全球变化中有着重要的意义［４］㊂随着全球变化研究的不断深入，植被ＮＰＰ已成为气候变化对陆地生态系统影响的研究热点［５⁃７］㊂地面测量数据无法描述ＮＰＰ在区域及全球尺度上的变化特征，因此利用遥感数据和数学模型模拟ＮＰＰ就成为一种被广泛接受的重要研究方法［８］㊂近年来，许多学者基于遥感数据建立了许多模型对植被ＮＰＰ进行估算［９⁃１０］㊂然而，估算净初级生产力应用最广泛的当属ＣＡＳＡ模型［９，１１］㊂ＣＡＳＡ模型主要用于模拟区域或全球植被实际净初级生产力，但对于点上的验证还较为匮乏㊂近年来，在全球气候变暖的背景下，区域植被ＮＰＰ变化对气候变化存在着区域差异㊂一些研究表明，随着降水和温度的增加，草地ＮＰＰ呈现增加趋势［１２⁃１４］，相反，有一些区域随着温度的增加，草地ＮＰＰ呈现下降趋势［６，１５］㊂不同区域植被ＮＰＰ对不同季节的降水和温度的变化的响应也明显不同［１６］㊂目前，新疆地区植被ＮＰＰ研究较为薄弱，主要集中ＮＰＰ空间分布格局㊁变化趋势以及对气候的响应上［７，１７⁃１９］，但不同草地类型对不同季节的气象因子的响应研究尚有待进一步研究㊂新疆草地生态系统是当地最重要㊁分布最广泛的生态系统之一㊂由于地处新疆干旱和半干旱地区，草地生态系统极为脆弱，对气候和环境变化的影响十分敏感㊂因此，在新疆地区开展草地ＮＰＰ及其对气候变化的响应有着独特的地位㊂综上所述，在气候变化日趋频繁的影响下，掌握新疆草地ＮＰＰ的空间格局及其对气候的响应关系，不仅是新疆草地生态系统健康发展的需要，而且是实现当地畜牧业可持续发展的战略需要㊂１㊀材料与方法１．１㊀研究区概况新疆维吾尔自治区位于我国西北部，地理位置介于３４ʎ２２ᶄ ４９ʎ３３ᶄＮ，７３ʎ２２ᶄ ９６ʎ２１ᶄＥ，总面积为１６６ˑ１０４ｋｍ，约占国土总面积的１／６（图１）㊂新疆地处欧亚大陆腹地，四面高山环抱，北有阿尔泰山，南有昆仑山９１３５㊀１５期㊀㊀㊀张仁平㊀等：新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应㊀系，中有横亘全境的天山，三山环抱中为广袤的准噶尔和塔里木盆地， 三山夹两盆 构成了新疆独特的地理环境特征㊂新疆气候属于典型的温带大陆干旱性气候，光热资源充足，年日照时数达２５５０ ３５００ｈ，年平均气温９ １２ħ，无霜期长达１８０ ２２０ｄ，降水量稀少，北疆年降水为１００ ２００ｍｍ，南疆在１００ｍｍ以下㊂而蒸发量则相反，北疆为１５００ ２３００ｍｍ，南疆为２１００ ３４００ｍｍ㊂由于特殊的地理位置㊁地形条件和干旱气候的影响，新疆生态环境极为脆弱，植物种类稀少，覆盖度低，类型结构简单㊂新疆草地总面积居我国第三位，毛面积约５７．２６万ｋｍ２，可利用草地面积约４８万ｋｍ２，占新疆国土面积的３４．４％，新疆草地面积是耕地面积的１５倍，是森林面积的２２倍，占全区绿色植被面积的８６％［２０］㊂图１草地类型来源于１ʒ１００００００中国草地资源图［２１］㊂图１㊀研究区草地类型及生物量采样点空间分布Ｆｉｇ．１㊀Ｌｏｃａｔｉｏｎｏｆｇｒａｓｓｌａｎｄｔｙｐｅｓａｎｄｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｓａｍｐｌｅｓｉｔｅｓ１．２㊀数据来源本研究所用ＭＯＤＩＳＮＤＶＩ数据源自美国国家航空航天局ＮＡＳＡ／ＥＯＳＬＰＤＡＡＣ数据中心（ｈｔｔｐｓ：／／ｌｐｄａａｃ．ｕｓｇｓ．ｇｏｖ／），为２００１ ２０１４年ＭＯＤＩＳ产品ＭＯＤ１３Ｑ１数据集，空间分辨率为５００ｍ，时间分辨率为１６ｄ㊂利用ＭＲＴ（ＭＯＤＩＳＲｅ⁃ｐｒｏｊｅｃｔｉｏｎＴｏｏｌｓ）进行拼接处理㊁投影转换，得到ＴＩＦＦ格式文件㊂同时，对１６ｄ的ＭＯＤＩＳ⁃ＮＤＶＩ数据采用最大化合成法（ｍａｘｉｍｕｍｖａｌｕｅｃｏｍｐｏｓｉｔｅ，ＭＶＣ）得到每月ＮＤＶＩ数据，并利用Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ方法对ＭＯＤＩＳ⁃ＮＤＶＩ数据进行滤波处理，以便减少由云和薄雾造成的噪音㊂气象数据来源于中国气象局国家气象信息中心（ｈｔｔｐ：／／ｄａｔａ．ｃｍａ．ｃｎ／ｓｉｔｅ／ｉｎｄｅｘ．ｈｔｍｌ），一共有６７个气象台站㊂利用ＡＮＵＳＰＬＩＮ软件，对研究区域的气温㊁降水数据以及日照时数进行插值处理［２２］㊂生物量数据选用２０１０ ２０１４年草原监测数据（图１）（ｈｔｔｐ：／／２０２．１２７．４２．１９４／ｊｉａｎｃｅ／ｌｏｇｉｎ．ａｓｐｘ）．㊂依据不同的气候及草地类型空间分布特点，在每年的７月末或者８月初监测新疆地区草地的最大生物量，收集的数据包括７９１个样地，样地大小为（５００ｍˑ５００ｍ），每个样地在四角及中心位置各设置１个小样方（１ｍˑ１ｍ），记录每个小样方内采集的样本在６５ħ烘箱烘干４８ｈ后测量的干物质产量㊂收集的７９１样地数据分布如下：温性草甸草原类分布有４８个㊁温性草原类分布有１０９个㊁温性荒漠草原类分布有１３７个㊁高寒草原类分布有５３个㊁温性草原化荒漠类分布有５９个㊁温性荒漠类分布有１３５个㊁高寒荒漠类分布有１６个㊁低地草甸类分布有７１个㊁山地草甸类分布有９６个㊁高寒草甸类分布有６７个㊂根据不同草地类型地上生物量和地下生物量的０２３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀比值算出单位面积内植物的生物量［２３］，按每１．０ｇ干重约等于０．４７５ｇ碳换算，得到每个样地的草地ＮＰＰ，统一以碳（ｇＣ／ｍ２）的形式表示［２４］㊂１．３㊀草地植被ＮＰＰ遥感估算方法基于遥感和气候数据的ＣＡＳＡ（ＣａｒｎｅｇｉｅＡｍｅｓＳｔａｎｆｏｒｄＡｐｐｒｏａｃｈ）模型可以用来评估大尺度上的草地ＮＰＰ［４，２５］㊂ＣＡＳＡ模型是Ｐｏｔｔｅｒ等建立的光能利用率模型的典型代表，ＮＰＰ的估算可以由植物的光合有效辐射ＡＰＡＲ（ＭＪ／ｍ２）和实际光能利用率ε（ｇＣ／ＭＪ）两个因子来表示，其估算公式如下：ＮＰＰ＝ＡＰＡＲˑε（１）植被吸收的光合有效辐射取决于植物本身的特征以及太阳总辐射㊂其计算公式为：ＡＰＡＲ＝ＳＯＬˑＦＰＡＲˑ０．５（２）式中，ＳＯＬ是太阳总辐射量（ＭＪ／ｍ２），ＦＰＡＲ为植被冠层对入射光合有效辐射的吸收比例，通过ＮＤＶＩ影像数据集来计算［２６］㊂实际光能利用率ε是植物固定太阳能，并通过光合作用将所截获／吸收的能量转化为碳（Ｃ）／有机质干物质的效率，一般用ｇＣ／ＭＪ表示㊂Ｐｏｔｔｅｒ等认为在理想条件下植被具有最大光能利用率，而在现实条件下的最大光能利用率主要受温度和水分的影响［４，２６］，其计算公式是：ε＝Ｔε１ˑＴε２ˑＷεˑεｍａｘ（３）式中，Ｔε１和Ｔε２表示低温和高温对光能利用率的胁迫作用，可采用Ｐｏｔｔｅｒ等［２５］提出的方法进行估算㊂εｍａｘ表示在理想状态下植被的最大光能利用率，是指植被在没有任何限制的理想条件下对光合有效辐射的利用率㊂由于全球相同植被也难免与中国存在较大差别［２７］，因此本文中的最大光能利用率取值采用了朱文泉等关于中国草地类型的最大光能利用率模拟结果［９］，即草地的最大光能利用率为０．５４２ｇＣ／ＭＪ㊂Ｗε为水分胁迫系数，其计算方式及改进见文献［２８］㊂２㊀结果与分析图２㊀净初级生产力（ＮＰＰ）模拟值与观测值的比较㊀Ｆｉｇ．２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｓｉｍｕｌａｔｅｄｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ（ＮＰＰ）ａｎｄｏｂｓｅｒｖｅｄＮＰＰ２．１㊀草地ＮＰＰ估算结果验证验证模型模拟结果是模型在实际中应用的前提条件㊂由于缺乏大尺度生物量监测数据，所以进行模型验证较为困难㊂但本研究采用的生物量实测数据样方数量较多，也比较典型，监测时间也较为一致，可以较好地代表新疆地区草地地上净初级生产力㊂本文利用２０１０ ２０１４年地面实测生物量数据对ＣＡＳＡ模型模拟的草地ＮＰＰ进行验证，实测生物量数据和ＣＡＳＡ模型模拟ＮＰＰ决定系数（Ｒ２）是０．７８（Ｐ＜０．００１）（图２），表明ＣＡＳＡ模型是适合于估算当地草地ＮＰＰ㊂２．２㊀草地植被ＮＰＰ时空格局分析为了探讨新疆地区草地ＮＰＰ的空间分布格局，基于ＣＡＳＡ模型模拟了新疆地区２００１ ２０１４年草地ＮＰＰ，结果表明，全疆平均草地ＮＰＰ值为１０２．４９ｇＣｍ－２ａ－１（图３）㊂在新疆各个区域中，伊犁河谷及阿尔泰山海拔较高区域的草地ＮＰＰ相对较高，其次是天山和阿尔泰山的中山带区域，而准噶尔盆地和塔里木盆地的一些区域草地ＮＰＰ最低㊂１２３５㊀１５期㊀㊀㊀张仁平㊀等：新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应㊀图３㊀新疆草地２００１ ２０１４年平均ＮＰＰ空间分布图㊀Ｆｉｇ．３㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｅａｎＮＰＰｉｎＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄｄｕｒｉｎｇ２００１ ２０１４在２００１ ２０１４年，新疆不同草地类型的ＮＰＰ存在明显差异，见表１㊂山地草甸ＮＰＰ最高，达到２５２．５７ｇＣｍ－２ａ－１，其次为温性草甸草原，其ＮＰＰ达到２０４．９３ｇＣｍ－２ａ－１；高寒荒漠和温性草原化荒漠的ＮＰＰ两者最低，其ＮＰＰ分别为４３．９４ｇＣｍ－２ａ－１和５３．１１ｇＣｍ－２ａ－１㊂２．３㊀草地ＮＰＰ对气候因子的时间响应特征对新疆地区草地ＮＰＰ与年（季节）均温㊁年（季节）降水的相关分析表明（表２）㊂就整个新疆草地来说，除冬季降水与草地ＮＰＰ呈负相关之外，年降水和其他３季的降水与草地ＮＰＰ呈正相关关系，其中年降水㊁夏季的降水对草地ＮＰＰ有较明显的影响，相关系数Ｒ分别达到０．４８（Ｐ＜０．１）和０．５０（Ｐ＜０．１）㊂温度对草地ＮＰＰ没有明显的影响（Ｒ＝０．０７）㊂对于降水较少，但是温度较高的草地，比如温性荒漠草原㊁温性草原化荒漠㊁温性荒漠㊁低地草甸，年降水㊁夏秋两季降水对草地ＮＰＰ有较明显的影响㊂冬季降水与大多数草地ＮＰＰ呈负相关关系，但是相关关系不显著㊂年（季节）平均温度对新疆地区所有类型的草地影响不大㊂总体而言，新疆地区草地ＮＰＰ主要受夏秋两季降水的影响，温度与草地ＮＰＰ的相关性较低，说明温度不是新疆草地ＮＰＰ的制约因素㊂表１㊀２００１ ２０１４年新疆不同草地类型平均ＮＰＰ２．４㊀草地ＮＰＰ对气候因子的空间响应特征新疆地区的温度和降水空间分布明显不同，因此草地ＮＰＰ对温度和降水变化响应也不同㊂根据相关系数显著性检验表和Ｆ检验结果，样本数为１４（２００１ ２０１４年），当｜ｒ｜＞０．５３时，表明ＮＰＰ与气候因子呈显著相关关系，当０．４６＜｜ｒ｜＜０．５３时，ＮＰＰ与气候因子存在着较显著的相关关系㊂分析新疆地区草地ＮＰＰ与温度㊁降水的相关性发现（图４），不同区域草地ＮＰＰ对温度和降水的空间响应特征明显不同㊂位于新疆地区准噶盆地东部以及天山高海拔区域的草地ＮＰＰ与年均温呈显著的正向相关关系，相关系数ｒ＞０．５３的地区占新疆草地的７．５％；相关系数０．４６＜ｒ＜０．５３的区域占新疆地区草地面积的４．８％；呈现正相关但不显著的区域占草地面积的４５．６％，主要分布于准噶尔盆地及伊犁河谷区域㊂位于新疆准噶尔盆地中心地带及塔里木区域的草地ＮＰＰ与年均温呈负相关关系，面积比例为４２％，达到较显著或者显著水平的象元很少㊂新疆地区草地ＮＰＰ与降水呈正相关的草地占新疆地区草地的７１．３％，其中ｒ＞０．５３和０．４６＜ｒ＜０．５３的草地分别占新疆地区草地的１２．５％和７．６％，主要分布在伊犁河谷地区㊁天山北坡与盆地接壤的区域以及准噶尔盆地南缘㊂草地ＮＰＰ与２２３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀降水呈负相关的草地占所有草地的２８．７％，达到较显著和显著水平的草地很少㊂表２㊀新疆地区草地ＮＰＰ和气候因子的相关性分析Ｔａｂｌｅ２㊀ＣｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｂｅｔｗｅｅｎｇｒａｓｓｌａｎｄＮＰＰａｎｄｃｌｉｍａｔｉｃｆａｃｔｏｒｓｉｎＸｉｎｊｉａｎｇ草地类型Ｇｒａｓｓｌａｎｄｔｙｐｅｓ降水Ｐｒｅｃｉｐｉｔａｔｉｏｎ温度Ｔｅｍｐｅｒａｔｅ年Ｙｅａｒ春季Ｓｐｒｉｎｇ夏季Ｓｕｍｍｅｒ秋季Ａｕｔｕｍｎ冬季Ｗｉｎｔｅｒ年Ｙｅａｒ春季Ｓｐｒｉｎｇ夏季Ｓｕｍｍｅｒ秋季Ａｕｔｕｍｎ冬季Ｗｉｎｔｅｒ温性草甸草原类Ｔｅｍｐｅｒａｔｅｍｅａｄｏｗｓｔｅｐｐｅ０．３９０．１７０．４００．４９－０．４５０．２４０．３０－０．０６－０．０７０．０９温性草原类Ｔｅｍｐｅｒａｔｅｓｔｅｐｐｅ０．４２－０．１２０．５００．５００．４１０．１２０．２４－０．１４－０．０９０．０２温性荒漠草原类Ｔｅｍｐｅｒａｔｅｄｅｓｅｒｔｓｔｅｐｐｅ０．６１０．１２０．５６０．５６－０．４００．０２０．１９－０．１５－０．０７－０．０４高寒草原类Ａｌｐｉｎｅｓｔｅｐｐｅ０．３３－０．１１０．４２０．３６－０．２９０．０４０．０２０．０２０．１２０．００温性草原化荒漠类Ｔｅｍｐｅｒａｔｅｓｔｅｐｐｅｄｅｓｅｒｔ０．５４－０．１３０．５３０．５３－０．４２０．０８０．１００．０５０．００－０．０３温性荒漠类Ｔｅｍｐｅｒａｔｅｄｅｓｅｒｔ０．４８０．１８０．５００．３７－０．２７０．０８０．０３－０．０４０．１２０．１３高寒荒漠类Ａｌｐｉｎｅｄｅｓｅｒｔ０．４７－０．１２０．５００．３７－０．２００．０７０．０１０．１７０．２５－０．０１低地草甸类Ｌｏｕｌａｎｄｍｅａｄｏｗ０．４６０．２４０．５４０．４０－０．２２－０．０９－０．１３０．０２０．０３－０．０４山地草甸类Ｍｏｕｎｔａｉｎｍｅａｄｏｗ０．２６－０．２５０．３８０．４８－０．４１０．１８０．１３０．１５－０．０２０．０３高寒草甸类Ａｌｐｉｎｅｍｅａｄｏｗ－０．１４－０．１７０．２２０．２１－０．２６０．１０－０．０２０．１３０．１４０．０２所有类型Ａｌｌ０．４８０．０３０．５００．４５－０．３１０．０７０．０６－０．０１０．０６０．０４图４㊀新疆草地ＮＰＰ与年均温度和降水相关系数空间分布格局Ｆｉｇ．４㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｏｆｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｂｅｔｗｅｅｎＸｉｎｊｉａｎｇｇｒａｓｓｌａｎｄＮＰＰａｎｄａｎｎｕａｌｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎ分析新疆草地ＮＰＰ与四季平均温度和降水的相关系数空间分布格局表明（图５），新疆草地ＮＰＰ与四季温度的正向和负向相关的面积比例变化不大，占新疆地区约８０％面积的草地ＮＰＰ与四季平均温度相关性达不到较显著水平，新疆草地ＮＰＰ与四季平均温度相关系数达到显著水平的区域有一定的变化㊂春季温度对草地ＮＰＰ有显著正相关的草地主要分布在伊犁河谷及塔城附近的山区，而负相关达到显著水平的区域主要位于准噶尔盆地的中心地带以及塔里木北缘㊂位于伊犁河谷高山带的草地ＮＰＰ与夏季温度的正向相关系数达到显著水平，塔里木盆地边缘地带以及准噶尔盆地南缘的一些区域草地ＮＰＰ与夏季温度呈现显著的负向相关㊂夏季温度与草地ＮＰＰ呈现显著正向相关的区域主要位于塔里木盆地南缘以及准噶尔盆地中心地带，伊犁河谷部分区域显著呈现负相关关系㊂位于准噶尔盆地中心地带的草地ＮＰＰ与冬季温度表现出显著的正相关关系㊂新疆大部分区域的草地ＮＰＰ与夏季温度和秋季温度呈正向相关，其面积比例分别为８０．９％和７５．９％，其中夏季温度与草地ＮＰＰ呈现较显著和显著相关的面积比例分别为９．１％和１７．６％，主要分布于伊犁河谷㊁塔里木盆地以及准噶尔盆地中心地带㊂秋季温度与草地ＮＰＰ呈现较显著和显著的相关的面积比例分别为７．６％３２３５㊀１５期㊀㊀㊀张仁平㊀等：新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应㊀和１４．９％，主要位于新疆东部㊁伊犁河谷地带以及塔城附近的山区㊂冬季降水与大部分区域草地ＮＰＰ呈负向相关关系，面积比例达６８．５％，其中达到较显著和显著水平的区域主要位于准噶尔盆地北部以及天山高山区㊂图５㊀ＮＰＰ与四季平均温度和降水相关系数空间分布格局Ｆｉｇ．５㊀ＮＰＰａｎｄａｎｎｕａｌｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎ３㊀讨论利用ＣＡＳＡ模型模拟植被净初级生产力主要取决于植被吸收的ＡＰＡＲ与光能利用率ε两个变量㊂一般来说，植被吸收的ＦＰＡＲ通过植被指数（比如ＮＤＶＩ和ＥＶＩ）和植被类型表示㊂光能利用率表示植被把吸收的ＡＰＡＲ转变为有机碳的效率，其主要受到土壤水分和温度的影响㊂虽然ＣＡＳＡ模型考虑了植被所在的环境条件与植被本身的特征，但在确定参数和计算过程方面有一定的不足之处㊂本文草地的最大光能利用率选择朱４２３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀文泉等人的研究结果，即草地的最大光能利用率为０．５４２ｇＣ／ＭＪ［２８］，通过验证后发现，改进的ＣＡＳＡ模型基本可以反映新疆地区草地ＮＰＰ㊂通过ＣＡＳＡ模型模拟的草地ＮＰＰ整体水平较低，平均值仅为１０２．４９ｇＣｍ－２ａ－１，表现为草甸＞草原＞荒漠，这与杨红飞等［７］的研究结果类似㊂新疆地区植被主要受降水因素的制约，当山区降水较为充沛，新疆草地ＮＰＰ相对来说较高，南疆区域光照虽然较好，但是降水极少㊂因此，新疆草地ＮＰＰ空间分布格局应该是山区区域高于盆地区域，新疆北部＞新疆南部，本项研究证明确实如此㊂新疆地区草地ＮＰＰ与夏秋两季降水具有明显的正相关关系，说明新疆地区草地植被生长在夏秋两季主要受降水的影响，这与普宗朝等［７５〛和陈奕兆等［７］的研究结果类似，如：普宗朝和张山清［７］研究发现降水增加对新疆地区植被ＮＰＰ产生正面影响；陈奕兆等［５］发现蒙古草原的植被对降水有正面响应㊂然而，本研究结果与张戈丽等人在青藏高原植被的有所不同，张戈丽等［２９］研究认为青藏高原植被主要受气温的影响㊂新疆地区属于典型干旱半干旱气候，区域内年均温较高，降水较少，因此水分是制约草地生长的决定因素，由于降水通常会改善土壤水分对植被的供给，有利于光合速率增强，从而提高植被生产力㊂而青藏高原由于气温较低，热量是影响植被生产的主要气候因子㊂本文植被ＮＰＰ与气候因素的相关关系均是在线性基础上进行分析的，而气候变化是十分复杂，如何更合理的分析气候变化与ＮＰＰ之间的关系，是进行植被ＮＰＰ对气候变化响应的研究基础㊂本文只是分析了温度和降水对植被ＮＰＰ的影响，然而，各种气候指标对生态系统均有一定的影响，但是各种气候指标对植被ＮＰＰ产生的影响有多大？这种影响到底与区域有关还是植被类型有关，这些仍需要长期系统的研究㊂４㊀小结基于ＣＡＳＡ模型模拟了新疆草地植被ＮＰＰ，进而探讨了草地植被ＮＰＰ的空间分布格局，并分析了草地ＮＰＰ对气候变化的响应㊂主要结论如下：基于ＣＡＳＡ模型估算的ＮＰＰ基本可以反映新疆草地植被净初级生产力的基本情况㊂在２００１ ２０１４年间，新疆草地ＮＰＰ平均值为１０２．４９ｇＣｍ－２ａ－１㊂不同草地类型的ＮＰＰ存在明显差异㊂其中，山地草甸平均ＮＰＰ最高，达到２５２．３７ｇＣｍ－２ａ－１；高寒草地的平均ＮＰＰ最低，为４３．９４ｇＣｍ－２ａ－１㊂新疆草地植被ＮＰＰ分布呈现为山区草地ＮＰＰ高于盆地区草地ＮＰＰ，新疆北部草地ＮＰＰ高于新疆南部草地ＮＰＰ㊂降水能促进新疆地区草地ＮＰＰ增加，其中夏季和秋季的降水对草地ＮＰＰ的影响最为明显㊂对于降水较少，但是温度较高的草地，比如温性荒漠草原㊁温性草原化荒漠㊁温性荒漠㊁低地草甸，年降水㊁夏秋两季降水对草地ＮＰＰ有较明显的影响㊂冬季降水与大多数草地ＮＰＰ呈负相关关系，但未通过显著性检验㊂年（季节）温度对新疆地区所有类型的草地影响不大㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀ＤｕＭＹ，ＫａｗａｓｈｉｍａＳ，ＹｏｎｅｍｕｒａＳ，ＺｈａｎｇＸＺ，ＣｈｅｎＳＢ．ＭｕｔｕａｌｉｎｆｌｕｅｎｃｅｂｅｔｗｅｅｎｈｕｍａｎａｃｔｉｖｉｔｉｅｓａｎｄｃｌｉｍａｔｅｃｈａｎｇｅｉｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｄｕｒｉｎｇｒｅｃｅｎｔｙｅａｒｓ．ＧｌｏｂａｌａｎｄＰｌａｎｅｔａｒｙＣｈａｎｇｅ，２００４，４１（３／４）：２４１⁃２４９．［２］㊀ＬｉａｎｇＴＧ，ＦｅｎｇＱＳ，ＹｕＨ，ＨｕａｎｇＸＤ，ＬｉｎＨＬ，ＡｎＳＺ，ＲｅｎＪＺ．ＤｙｎａｍｉｃｓｏｆｎａｔｕｒａｌｖｅｇｅｔａｔｉｏｎｏｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｆｒｏｍｐａｓｔｔｏｆｕｔｕｒｅｕｓｉｎｇａｃｏｍｐｒｅｈｅｎｓｉｖｅａｎｄｓｅｑｕｅｎｔｉａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｓｙｓｔｅｍａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ．ＧｒａｓｓｌａｎｄＳｃｉｅｎｃｅ，２０１２，５８（４）：２０８⁃２２０．［３］㊀朱玉果，杜灵通，谢应忠，刘可，宫菲，丹杨，王乐，郑琪琪．２０００ ２０１５年宁夏草地净初级生产力时空特征及其气候响应．生态学报，２０１９，３９（２）：５１８⁃５２９．［４］㊀ＦｉｅｌｄＣＢ，ＲａｎｄｅｒｓｏｎＪＴ，ＭａｌｍｓｔｒöｍＣＭ．Ｇｌｏｂａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎ：ｃｏｍｂｉｎｉｎｇｅｃｏｌｏｇｙａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９５，５１（１）：７４⁃８８．［５］㊀陈奕兆，李建龙，孙政国，刚成诚．欧亚大陆草原带１９８２⁃２００８年间净初级生产力时空动态及其对气候变化响应研究．草业学报，２０１７，２６（１）：１⁃１２．［６］㊀ＷａｎｇＨ，ＬｉｕＧＨ，ＬｉＺＳ，ＹｅＸ，ＷａｎｇＭ，ＧｏｎｇＬ．ＩｍｐａｃｔｓｏｆｃｌｉｍａｔｅｃｈａｎｇｅｏｎｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙｉｎａｒｉｄａｎｄｓｅｍｉａｒｉｄｒｅｇｉｏｎｓｏｆＣｈｉｎａ．ＣｈｉｎｅｓｅＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅ，２０１６，２６（１）：３５⁃４７．［７］㊀杨红飞，刚成诚，穆少杰，章超斌，周伟，李建龙．近１０年新疆草地生态系统净初级生产力及其时空格局变化研究．草业学报，２０１４，２３５２３５㊀１５期㊀㊀㊀张仁平㊀等：新疆草地净初级生产力（ＮＰＰ）空间分布格局及其对气候变化的响应㊀６２３５㊀生㊀态㊀学㊀报㊀㊀㊀４０卷㊀（３）：３９⁃５０．［８］㊀ＧｏｅｔｚＳＪ，ＰｒｉｎｃｅＳＤ，ＧｏｗａｒｄＳＮ，ＴｈａｗｌｅｙＭＭ，ＳｍａｌｌＪ．Ｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎ：ａｎｉｍｐｒｏｖｅｄｐｒｏｄｕｃｔｉｏｎｅｆｆｉｃｉｅｎｃｙｍｏｄｅｌｉｎｇａｐｐｒｏａｃｈ．ＥｃｏｌｏｇｉｃａｌＭｏｄｅｌｌｉｎｇ，１９９９，１２２（３）：２３９⁃２５５．［９］㊀朱文泉，潘耀忠，何浩，于德永，扈海波．中国典型植被最大光利用率模拟．科学通报，２００６，５１（６）：７００⁃７０６．［１０］㊀ＸｕＤＹ，ＫａｎｇＸＷ，ＬｉｕＺＬ，ＺｈｕａｎｇＤＦ，ＰａｎＪＪ．ＡｓｓｅｓｓｉｎｇｔｈｅｒｅｌａｔｉｖｅｒｏｌｅｏｆｃｌｉｍａｔｅｃｈａｎｇｅａｎｄｈｕｍａｎａｃｔｉｖｉｔｉｅｓｉｎｓａｎｄｙｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｏｆＯｒｄｏｓｒｅｇｉｏｎ，Ｃｈｉｎａ．ＳｃｉｅｎｃｅｉｎＣｈｉｎａＳｅｒｉｅｓＤ：ＥａｒｔｈＳｃｉｅｎｃｅｓ，２００９，５２（６）：８５５⁃８６８．［１１］㊀ＨｉｃｋｅＪＡ，ＡｓｎｅｒＧＰ，ＲａｎｄｅｒｓｏｎＪＴ，ＴｕｃｋｅｒＶ，ＬｏｓＳ，ＢｉｒｄｓｅｙＲ，ＪｅｎｋｉｎｓＪＣ，ＦｉｅｌｄＣ，ＨｏｌｌａｎｄＥ．Ｓａｔｅｌｌｉｔｅ⁃ｄｅｒｉｖｅｄｉｎｃｒｅａｓｅｓｉｎｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙａｃｒｏｓｓＮｏｒｔｈＡｍｅｒｉｃａ，１９８２⁃１９９８．ＧｅｏｐｈｙｓｉｃａｌＲｅｓｅａｒｃｈＬｅｔｔｅｒｓ，２００２，２９（１０）：１４２７．［１２］㊀韩王亚，张超，曾源，刘国华．２０００ ２０１５年拉萨河流域ＮＰＰ时空变化及驱动因子．生态学报，２０１８，３８（２４）：８７８７⁃８７９８．［１３］㊀ＺｈｏｕＷ，ＧａｎｇＣＣ，ＺｈｏｕＦＣ，ＬｉＪＬ，ＤｏｎｇＸＧ，ＺｈａｏＣＺ．ＱｕａｎｔｉｔａｔｉｖｅａｓｓｅｓｓｍｅｎｔｏｆｔｈｅｉｎｄｉｖｉｄｕａｌｃｏｎｔｒｉｂｕｔｉｏｎｏｆｃｌｉｍａｔｅａｎｄｈｕｍａｎｆａｃｔｏｒｓｔｏｄｅｓｅｒｔｉｆｉｃａｔｉｏｎｉｎｎｏｒｔｈｗｅｓｔＣｈｉｎａｕｓｉｎｇｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙａｓａｎｉｎｄｉｃａｔｏｒ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０１５，４８：５６０⁃５６９．［１４］㊀ＸｕＣＣ，ＣｈｅｎＹＮ，ＹａｎｇＹＨ，ＨａｏＸＭ，ＳｈｅｎＹＰ．ＨｙｄｒｏｌｏｇｙａｎｄｗａｔｅｒｒｅｓｏｕｒｃｅｓｖａｒｉａｔｉｏｎａｎｄｉｔｓｒｅｓｐｏｎｓｅｔｏｒｅｇｉｏｎａｌｃｌｉｍａｔｅｃｈａｎｇｅｉｎＸｉｎｊｉａｎｇ．ＪｏｕｒｎａｌｏｆＧｅｏｇｒａｐｈｉｃａｌＳｃｉｅｎｃｅｓ，２０１０，２０（４）：５９９⁃６１２．［１５］㊀ＺｈａｏＭＳ，ＲｕｎｎｉｎｇＳＷ．Ｄｒｏｕｇｈｔ⁃ｉｎｄｕｃｅｄｒｅｄｕｃｔｉｏｎｉｎｇｌｏｂａｌｔｅｒｒｅｓｔｒｉａｌｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｆｒｏｍ２０００ｔｈｒｏｕｇｈ２００９．Ｓｃｉｅｎｃｅ，２０１０，３２９（５９９４）：９４０⁃９４３．［１６］㊀刘刚，孙睿，肖志强，崔天翔．２００１ ２０１４年中国植被净初级生产力时空变化及其与气象因素的关系．生态学报，２０１７，３７（１５）：４９３６⁃４９４５．［１７］㊀普宗朝，张山清．气候变化对新疆天山山区自然植被净第一性生产力的影响．草业科学，２００９，２６（２）：１１⁃１８．［１８］㊀刘卫国，魏文寿，刘志辉．新疆气候变化下植被净初级生产力格局分析．干旱区研究，２００９，２６（２）：２０６⁃２１１．［１９］㊀姬盼盼，高敏华，杨晓东．中国西北部干旱区ＮＰＰ驱动力分析 以新疆伊犁河谷和天山山脉部分区域为例．生态学报，２０１９，３９（８）：２９９５⁃３００６．［２０］㊀许鹏．新疆草地资源及其利用．乌鲁木齐：新疆科技卫生出版社，１９９３．［２１］㊀苏大学．１：１００００００中国草地资源图的编制与研究．自然资源学报，１９９６，１１（１）：７７⁃８３．［２２］㊀ＰｌｏｕｆｆｅＣＣＦ，ＲｏｂｅｒｔｓｏｎＣ，ＣｈａｎｄｒａｐａｌａＬ．Ｃｏｍｐａｒｉｎｇｉｎｔｅｒｐｏｌａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｆｏｒｍｏｎｔｈｌｙｒａｉｎｆａｌｌｍａｐｐｉｎｇｕｓｉｎｇｍｕｌｔｉｐｌｅｅｖａｌｕａｔｉｏｎｃｒｉｔｅｒｉａａｎｄａｕｘｉｌｉａｒｙｄａｔａｓｏｕｒｃｅｓ：ａｃａｓｅｓｔｕｄｙｏｆＳｒｉＬａｎｋａ．ＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｄｅｌｌｉｎｇ＆Ｓｏｆｔｗａｒｅ，２０１５，６７：５７⁃７１．［２３］㊀朴世龙，方精云，贺金生，肖玉中国草地植被生物量及其空间分布格局．植物生态学报，２００４，２８（４）：４９１⁃４９８．［２４］㊀朱文泉．中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究［Ｄ］．北京：北京师范大学，２００５．［２５］㊀ＰｏｔｔｅｒＣＳ，ＫｌｏｏｓｔｅｒＳＡ．Ｇｌｏｂａｌｍｏｄｅｌｅｓｔｉｍａｔｅｓｏｆｃａｒｂｏｎａｎｄｎｉｔｒｏｇｅｎｓｔｏｒａｇｅｉｎｌｉｔｔｅｒａｎｄｓｏｉｌｐｏｏｌｓ：ｒｅｓｐｏｎｓｅｔｏｃｈａｎｇｅｓｉｎｖｅｇｅｔａｔｉｏｎｑｕａｌｉｔｙａｎｄｂｉｏｍａｓｓａｌｌｏｃａｔｉｏｎ．ＴｅｌｌｕｓＢ：ＣｈｅｍｉｃａｌａｎｄＰｈｙｓｉｃａｌＭｅｔｅｏｒｏｌｏｇｙ，１９９７，４９（１）：１⁃１７．［２６］㊀ＰｏｔｔｅｒＣＳ，ＲａｎｄｅｒｓｏｎＪＴ，ＦｉｅｌｄＣＢ，ＭａｔｓｏｎＰＡ，ＶｉｔｏｕｓｅｋＰＭ，ＭｏｏｎｅｙＭＡ，ＫｌｏｏｓｔｅｒＳＡ．Ｔｅｒｒｅｓｔｒｉａｌｅｃｏｓｙｓｔｅｍｐｒｏｄｕｃｔｉｏｎ：ａｐｒｏｃｅｓｓｍｏｄｅｌｂａｓｅｄｏｎｇｌｏｂａｌｓａｔｅｌｌｉｔｅａｎｄｓｕｒｆａｃｅｄａｔａ．ＧｌｏｂａｌＢｉｏｇｅｏｃｈｅｍｉｃａｌＣｙｃｌｅｓ，１９９３，７（４）：８１１⁃８４１．［２７］㊀彭少麟，郭志华，王伯荪．利用ＧＩＳ和ＲＳ估算广东植被光利用率．生态学报．２０００，２０（６）：９０３⁃９０９．［２８］㊀朱文泉，潘耀忠，龙中华，陈云浩，李京，扈海波．基于ＧＩＳ和ＲＳ的区域陆地植被ＮＰＰ估算 以中国内蒙古为例．遥感学报，２００５，９（３）：３００⁃３０７．［２９］㊀张戈丽，欧阳华，张宪洲，周才平，徐兴良．基于生态地理分区的青藏高原植被覆被变化及其对气候变化的响应．地理研究，２０１０，２９（１１）：２００４⁃２０１６．。

植被叶片及冠层层次含水量估算模型的建立应用生态2005年7月第16卷第7期CHINESEJOURNAL0FAPPLIEDECOLOGY,Ju1.2005,16(7):1218～1223植被叶片及冠层层次含水量估算模型的建立沈艳L一牛铮颜春燕*(南京信息工程大学气象学院,南京210044;中国科学院遥感应用研究所遥感科学国家重点实验室,北京100101)1引言【摘要】利用LOPEX’93数据库中67个鲜叶片含水量(cw)和光谱反射率实测数据,基于光谱指数法,在叶片层次,用47个随机样本建立Cw与不同光谱指数的统计模型,并用另外20个样本验证.结果表明,Cw的两种表征形式相对含水量FMC和等价水深EwT在提取叶片Cw时差异较大.EwT与各光谱指数的相关性较FMC高,但FMC对叶片Cw的反演精度高于EwT.而反演精度更高的是基于最优子集回归建立的光谱指数线性模型.Ratio9,是叶片层次提取Cw的普适光谱指数.冠层层次,利用PROSPECT+SAILH耦合模型,模拟在不同叶面积指数LAI和Cw下的冠层光谱.为了剔除背景影响.更好地提取冠层Cw,提出用近红外和短波红外波段反射率构造土壤可调节水分指数(SAWI),该指数与其他光谱指数的比值能明显地剔除土壤背景影响,更准确地提取冠层Cw.Ratio9,的改进型光谱指数(Ratio975—0.96)/(SAWI+0.2)能用来提取叶面积指数LAI从0.3到8.0,Cw从0.0001cm 到0.07cm的冠层Cw,研究表明精度较高.关键词光谱指数法含水量土壤可调节水分指数文章编号1001—9332(2005)07—1218—06中图分类号TP79;Q945文献标识码A Estimationmodelsforvegetationwatercontentatbothleafandcanopylevels.S HENY anl一,NIUZheng2,Y ANChunyan2(CollegeofMeteorology,NanjingUniversityofInformationS cience&Technology,Naing210044,China;StateKeyLaboratoryofRemoteSensingScience,InstituteofR emoteSensingApplications,ChineseAcademyofSciences,Beijing100101,China).一Chin.J.App1.Eco1.,2005,16(7):1218～1223.Basedonspectralindicesmethod,thispaperutil~edthewatercontent(Cw)andr eflectancedataof67freshdif—ferenttypeleavesfromLOPE X’93databasetoestablishthestatisticalmodelbet weenleafCwandspectralin—dicesatleaflevelthrough47samples.andtotestthemodelwiththeother20sampl es.Theresultssuggestedthatfuelmoisturecontent(FM_C)andequivalentwaterthickness(EWT)asCwdem onstratorsweredifferentinre.flectancespectralcurves.ThedifferencebetweenFMCandEWTwaslargewhe ntheywereutilizedtoretrievetheleafCw.ThecorrelationcoefficientbetweenEWTandeachspectralindexwa shigherthanFMC.butthe forecastprecisionofFMCwasbetterthanthatofEWT.The7spectralindicescou ldallretrievetheleafFMCac—curately,butonlytheRatio975,IIandSRweresuitabletoestimatetheleafEWT. Spectralindiceslinearmodelon thestrengthofoptimalsubsetregressionshadthehighestprecisiontoretrievethe leafCw.Ratio975mightbethe universalspectralindextoestimatetheleafCw.Atcanopyleve1.thesimulatedc anopyspectraunder出fferentleafareaindex(LAI)andCwwerederivedfromthePROSPECTandSAILHcouplin gmodels.InordertoeliminatebackgroundinfluenceandtopreciselyretrievetheCw,soil—adjustedwaterind ex(SAWI)wasproposedatthe firsttimetoindicatetheinformationofnear-infraredandshort—waveinfraredc anopyreflectance.Theratioof SAWIandotherspectralindicescoulddramaticallyeliminatethesoilbackgrou nd,andeffectivelyretrievetheveg—etationCwatcanopyleve1.Spectralindex(Ratio975—0.96)/(SAWI+0.2)asi mprovedRatio975couldbeused tocomputethecanopyCwmorepreciselywhenLA1wasrangingfrom0.3to8.0a ndCwfrom0.0001to0.07cm.KeywordsSpectrali’n出cesmethod,Watercontent,Soil—adjustedwaterindex.植被是陆地生态系统的重要组成部分,而植物冠层中水分含量约占40%～80%【81.水分是控制植物燃烧,光合作用和生物量的主要因素之一【0?引.及时准确监测或诊断叶片和冠层含水量可以反映植物生理状况,趋利弊害,并为火势模型提供输入参数【3.传统测定叶片含水量(Cw)的方法局限在小面积或单株上,所得结论必定带有某些片面性和局限性.而且一般都是事后性和破坏性的,难以真正大面积应用.Kramer【19J较早认识到测定植株含水状态的重要性.目前常用的测定叶片Cw的方法有冠层温度法[29]和植被绿度指示Cw法3.其适用范围受植被类型,环境条件及时空变化的影响很大.因此,基于植被光谱随Cw的变化,应用遥感技术实时监测和诊断植被Cw越来越受到重视.随着高光谱遥*国家重点基础研究发展规划项目(G2000077902),中国科学院知识创新工程重大项目(KzCx1一SW一01—02)和国家自然科学基金资助项目(40271086).**通讯联系人.2004—08—23收稿,2004—1l一29接受.7期沈艳等:植被叶片及冠层层次含水量估算模型的建立1219感的发展,准确评价植被水量状况成为重要应用领域[1lJ.已有研究者尝试用遥感数据直接提取叶片Cw[,,,0,】针对性不强,而准确提取植被冠层Cw的文章尚不多见.但应用的最终目的要归结到植被冠层层次,本文在综合分析光谱指数法提取叶片层次Cw的基础上,进而提出了有效剔除土壤背景影响,准确提取冠层Cw的新方法.2研究方法2.1数据采用国外LOPEX’93数据库【H]建立叶片Cw估算模型.该数据库体现了叶片水分含量和叶片类型的多样性.选取67个新鲜叶片Cw和从400～2500nm,采样间隔为1nm 半球反射率数据.每个叶片Cw和反射率数据都是同一类型5片不同叶片测量值的平均.而冠层Cw模型的建立则基于PROsPECT+SAILH耦合模型,模拟了不同Cw(cm)和叶面积指数LAI下的冠层光谱指数.其中Cw取值范围:0.0001 ～0.07cm【,分别模拟Cw是0.0001,0.001,0.01,0.02,0.03,0.04,0.05,0.06,0.07及LAI是0.3,0.5,1.0,1.5,2.0,2.5,3.0,4.0,5.0,6.0,7.0和8.0下的冠层光谱.在光谱模拟中,叶片内部叶肉结构参数N设为对大部分植物都成立的1.5【;太阳天顶角30.,相对方位角为0.;叶倾角分布设为球面形,平均叶倾角ALA=57.3.;叶绿素含量设定35g?cm-2,干物质含量设定0.01g?cm,土壤光谱为实验室测量的多条光谱的平均.2.2方法使用光谱指数法估算冠层和叶片Cw.光谱指数法研究田问或实验室获得的基于生理状态的生物指示因子与植被反射率问的关系.光谱指数是指某些特定波段反射率的组合,与叶片色素或光合作用以及植被的水,氮胁迫状态等有关.其中波段组合的选取参照一定的物理基础,能部分消除环境背景的影响.在此基础上的统计分析比单纯的统计结果更具有物理意义.另一方面,该方法又比物理模型方法简单, 适用性好.2.3Cw表示方法表征Cw的常用方法有两种:相对含水量FMC和等价水深EwT.FMC是叶片中水量占鲜叶重【21]或干叶重【,]的百分比,即:FMC=曼裔Xl㈩EWT(EquivalentWaterThickness)是单位叶面积的Cw【71.用公式表示:EWT=绁(2)EwT的单位是g?cm一或cm.研究表明【,FMC和EwT是定义Cw的2个不相关量,定量提取Cw时代表2种不同方法.基于LOPEX93数据库,选取任意4种叶片类型,考虑EwT相同时FMC的变化(表1左)及其相应的反射光谱曲线(图1A).再考虑FMC相同时EwT的变化(表1右)及相应的反射光谱曲线(图1B).表1和图1的结果都证明了上述结论.相同EwT对应的FMC和相同FMC对应的EwT都有所不同.对比图1可知,在近红外区,反射率光谱曲线对EWT变化更敏感,而在短波红外区,这种差别不大.所以将近红外和短波红外结合而成的光谱指数能增强叶片Cw信息,更好地提取叶片Cw.下面的研究也证实了该结论.表14种叶片类型下EWT相同时FMC的变化(左)和FMC相同时EWT的变化l右)Table1V ariationsofFMC(EWT)daringthesalneEWT(FMC)under叶片类型FMCEwT叶片类型FMCEwTLea/type(%)(Ⅱn)Lea/type(%)(Ⅱn)孽,...,,74.62o.0o85葡萄70.2890.012V肚‰……itissilvear/s’三叶草75810.0085T加拿大杨..70.3770.010Prifoliumpraenseopulus∞n口d璧塑.69.570.0085假挪璧槭.70.5660.006Ahm加tensecer加嘲翻妇缸瓣鬈黑樱.54.180.0085基70.82l0.023胁//$se~laa’图1与表1对应的4个不同FMC(EWT)下的反射光谱曲线A(B) Fig.1Reflectancespectracurvesof4differentFMC(EWT)correspond—ingtotable1.A:a)大叶椴Tillaplatyphyllos|b)三叶草Trifoliumpratense;c)梯牧草Phleumpratense;d)野黑樱Prunusserotina;B:a)葡萄Vitissil—z~estri$;b)加拿大杨Populuscanadensis;c)假挪威槭Acerpseudopla—tanus;d)鼠尾草Salv/a.3结果与分析3.1植被叶片层次Cw估算模型的建立提取叶片Cw的常用光谱指数包括:由于970 nITI,950nm是水分的敏感波段,分别将900nm作应用生态16卷为参比波段,简单的反射率之比定义成水分指数WI1[22和wI2[.将860nm和1240nm处的反射率比值指数,经非线性归一化处理得”归一化差值水分指数NDWI[加JI’.最早提出820nm和1600nm 的归一化红外指数(II)的是Hardisky[13].之后,又提出了1600nm和820nm反射率的简单比值指数(SimpleRatio,SR)[16】.最近,有研究者尝试用多个波段组合构造水分指数,并提出了中心波长分别位于975nm和1200nm的比值指数Ratio97s,Ra—tio1200[241.利用FMC和EwT的47个样本分别与植被指数建立最优回归关系(表2).另外,有研究者用wIl 和NDVI的比值wIl/NDVI(NDVI=(R800一R680)/ (R800+R680))提取某种植物冠层或叶片Cw【.之所以考虑NDVI是认为植被绿度和Cw相关.但在本研究中,FMC和EwT与wI1/NDVI指数都不相关.可能是由于叶片类型的多种性,使得植被绿度和Cw相关的结论不能成立.表2中,与FMC相关程度最高的水分指数是wI,相关系数R=0.567,最差的是RatioI200,相关系数R=0.2637;与EwT最相关的水分指数是Ratio975,相关系数R=0.9595,最差的是NDWI,相关系数R=0.6414.所以,用EwT表征叶片Cw与光谱指数建立的统计关系相关性更好.取20个训练样本验证表2的统计关系.用相对误差(RE)评价模型精度(表3).RE=耋其中,是实测值,是模型模拟值,是样本数.结果表明,FMC的验证精度好于EwT.在7个光谱指数中.对FMC和EwT反演精度最好的分别是II和Ra—tio9,相对误差分别是11.09%和13.19%.各个指数对FMC的影响不大,相对误差变化范围在11.09%～13.04%,说明这7个指数都能准确地提取FMC.然而,7个指数对EwT的反演精度差别很大,相对误差在13.19%～88.08%,效果较好的是Ratio975,II和SR.因此,为了建立EwT最优统计关系并取得较好的反演精度,首选用Ratio975作为反演因子,其次是II和SR,若为了简单,也可选II和SR作为反演因子.结果说明,用FMC表征叶片Cw选用近红外波段组合或近红外和短波红外组合都能较准确提取叶片Cw,而反演EwT时选用近红外和短波红外组合的光谱指数精度较高.同时也表明,在叶片层次,能找到通表2FMC和EWT与各种植被指数(x)间的相关关系Table2CorrelationsbetweenFMC(EWT)anddifferentvegetationin- dicesWIl=RFIVE=一gO.53x+910EWT=一O.0008一O.印98x)q:(‰0一R)/(Dy=舷111+572.01x+R啪)y=一O.CO12+0.3916xSR=Rl/R∞FIVE=44.817—54.343In(x)EWT=0.11~25x一’?4539II=(Rs20一RI∞)/(R∞+RI∞)FIVE=44.087+114.32xEWT=0.0024ew(7.2832x】wI2=RRFIVE=1445.9—1394.5xEwT=0.0008一O.969In(x】~tliO975:一F=～914.22x+968.98~tliO975一?’EWT:-0.0002一O.89x】:2-RII∞一∞FM:=50.818-431.16In(x】Rl090一llm+Rt~5—1285Ewr=-0.0136—0.458In(x】.3,9O.00o1O.351.678O.00o1O.959518.7l5O.00o1O.492.074O.00o1O.91&表3训练样本验证FMC和EWT与各光谱指数统计关系的相对误差Table3RelativeerroroftrainingsamplestotestFMC(EWTJandin? dicesstatisticrelationsWIINDWISRIIWI2Ratio975Ratiol2ooFMC(%)11.4211.9211.2111.0913.0412.2012.9EWT(cm)73.864.6914.0613.2388.0813.1918.76用的Cw提取关系.采用最优子集回归方法研究光谱指数各种组合对FMC和EwT的贡献率.反演量是FMC或EwT,反演因子是上述的7个光谱指数.该方法能充分考虑各种光谱指数组合个数(1～7个)下反演精度,建立的回归关系是全局最优.经过分析,选用wIl,SR,Ratio975,Ratiol2004个反演因子时,模型(4)对FMC的反演精度最高:FMC=1338.343—890.646×WIl一162.779×SR一2712.881×Ratio975+2477.752×Ratiol200(4)此时相对误差RE=8.08%,比选用单个反演因子的精度提高了约3%.反演EwT选用wIl,SR,II,Ratio97s,Ratiol2005个反演因子时精度最高,模型是(5):EWT=1.15—0.279×WIl一0.064×SR一0.131×II一0.658×Ratio95—0.152×RatioI200(5)相对误差RE=8.44%,比选用单个反演因子的精度提高了约5%.3.2植被冠层层次Cw估算模型的建立3.2.1冠层层次Cw提取时背景的剔除遥感获得的冠层光谱是植被和土壤的混合光谱,一个有效的植被指数必须能将植被信息与背景信息分离.上面硒僦}鼋窭!硒OOmmmmmmmm帆帆帆帆帆帆帆帆OOOOmmmmm螂舰儡眈场仍8亏缸鼽辩吼7期沈艳等:植被叶片及冠层层次含水量估算模型的建立的分析可知,在叶片层次建立Cw估算模型是完全可能的.但在冠层层次,受背景影响,简单将某种光谱指数与Cw在一批样本上建立的相关用于提取其它样本的Cw时,效果往往不好,所以必须找到一种能够剔除背景影响的方法.用红光和近红外冠层反射率构造的土壤可调节植被指数[,巧,,]与某个光谱指数结合,能够大大减小背景影响,更好地提取冠层叶绿素含量.研究发现,从近红外到240Ohm,水分影响占据了主导地位[加?.因此,本文用近红外和短波红外反射率构造了用于提取冠层Cw的土壤可调节水分指数SAWI(soil—adjustedwaterindex):0一DSAWI=—R-—×(1+L)(6)PNIR十PsⅣIRL式中,p,p分别是近红外和短波红外冠层反射’NIR’SWIR 率,分别取820nm和1600nm;L是土壤调节系数.是一个以植被量为先验知识的调整值,用来减小植被指数对不同土壤反射变化的敏感性,本文取I0.16~26].基于PROSPECT+SAILH的耦合模型数据.考虑本文提出的7个水分光谱指数与SA WI的比值随Cw和IAI的变化,在一定范围内,其结果都比不考虑SAWI时提取冠层Cw的精度更高,适用性更广.下图只给出NDWI在不考虑SA WI(图2)和考虑SA WI(图3)时随Cw和IAI的变化.分析图2可知,NDWI与Cw和IAI呈正相关,随Cw的增加和IAI的增大,NDWI增大.对应IAI的每条等直线,当Cw≤0.001cm时,NDWI值随水分含量变化很小.这说明在相同的IAI下,NDW1只能用来提取Cw>0.001cm的冠层Cw.但是LAI对NDWI的影响很大,只有当IAI≥5.0,NDWI对IAI的敏感性才不明显.所以,NDW1只有用来提取Cw>0.001cm并且LAI≥5.0时的冠层Cw才可能获得较好的结果,但是,LAI≥3.0时,冠层已经不受土壤背景影响[3,因此,该结论不再具有实际意义.图3表明,NDwI/SAwI与Cw和LAI呈正相关,随Cw增加和LAI增大.NDwI/SA wI增大.IAI≤2.5时.对应每一条LAI等值线,当Cw≤0.01cm,ND—wI/SAwI随Cw和IAI的变化较大.但是,当Cw>0.01cm时.NDwI/SA wI的值随LAI几乎不变. 所以,NDwI/SAwI适合用来提取Cw>0.01cm并且IAI≥1.5时的冠层Cw.综合以上分析,总趋势是图3中NDwI/SAwI对IAI的敏感性要小于图2中NDWI对LAI的敏感性,而且Cw对二者能否用来提取冠层Cw也有影响,说明某一水分光谱指数能否有效提取冠层Cw,是Cw和IAI综合作用的结果.在提取冠层Cw时,NDwI/SA wI比NDWI更能有效剔除环境背景影响.值得一提的是,当LAI≤1.0时,NDwI/SA wI随LAI和Cw的变化没有规律,主要表现为NDwI/SAwI值在某个Cw时急剧变大,例如,当IAI=1.0,Cw=0.001时,NDWI/SAWI=一89.4934,认为不能用来提取冠层Cw,可能主要是低植被覆盖环境背景影响很大造成.其他光谱指数与SAWI的比值,在低IAI下同样有比值骤增的情况.下面将改进某个光谱指数,使之更好地剔除环境背景影响.含水量Cw(cm图2NDWI在不同叶面fj{指数和Cw1的分布曲线Ffg.2CurvesofNDWItinderdifferentlearareaindex(LAI)andwater content.a)LAI=0.3;b)LAI=0.5;c)LAI=1.0;d)LAI=1.5;e)LAI=2.0:f)LAI=2.5;g)LAI=3.0;h)LAI=4.0;i)LAI=5.0;j)LAI:6.0:k) LAI:7.0;1)LAI=8.0.1譬≥金图3NDWI/SAWI在不同叶面积指数和Cw下的分布曲线Fig.3CurvesofNDWI/SAWItinderdifferentLAIandwatercontent a)LAI=1.5;b)LAI=2.0;c)LAI=2.5;d)LAI=3.0:e)LAI=4.0f)LAI=5.0:g)LAI=6.0;h)LAI=7.0;i)LAI=8.0.3.2.2光谱指数Ratio975在冠层层次提取Cw的改进在叶片层次,无论是用FMC还是EwT表征Cw,光谱指数Ratio975都能较好地提取Cw.根据PROSPECT模拟数据绘制的不同N和Cw下的1222应用生态l6卷Ratio9,变化曲线图(未给出)也说明,结构参数N对Ratio97的影响不大,Ratic97可能是叶片层次提取Cw的一个普适光谱指数,为了找到叶片和冠层层次都能有效提取Cw的光谱指数,设想改进Ra—tio975,图4给出了不同Cw和叶面积指数下的SAWI和Ratic~7分布图,图中每一条弧线代表等LAI线,由原点向外LAI增大,可知,Ratio975和SAWI都和IAI呈正相关,即低的Ratic~7和SAWI对应于低的LAI,反之亦成立,因此,那些代表裸露土壤的点将集中在散点图的原点附近,而代表浓密植被的点将集中在相反一侧.对于所有的覆盖水平(LAI),Cw沿着近似相同中心的轴线分布,高值靠近x轴(SAWI),低值靠近Y轴(Ratio975),此外,代表相同Cw而不同LAI水平的点将沿着近似以裸露土壤为原点的直线分布.这些Cw的等值线相交于一点,并且随着覆盖度(LAI)的增加向外呈辐射状分布.图中只给出了Cw最高0.07cm和最低0.0001cm的两条等值线,图4不同Cw和LAI下SA WI—Ratio975分布图Fig.4SAWI-Ratio975distributionunderdifferentwatercontentand LAI.鉴于此,提出一个冠层层次Cw提取模型.建模时,考虑了等Cw线的交点,该交点不是通常认为的(0,0),其结果将对LAI和土壤背景更不敏感.若该交点是原点(0,0),那么在低植被覆盖LAI≤1.0时,Ratio97s/SA wI同前述的NDwI/SA wI一样,不能用来提取冠层Cw(图未给出).当LAI≥1.5时,Ratio97/SAwI与Cw的关系图(未给出)表明,低Cw(Cw~<O.01cm)时Ratio97/SA wI值较大的分散性无法用来提取冠层Cw.因此,该指数只能提取LAI≥1.5且Cw>0.01cFn时的冠层Cw,具有一定局限性.若考虑图4的交点,目视判断为(一0.2,0.96),绘制(Ratio975—0.96)/(SAWI+0.2)与Cw在IAI≥0.3下的关系图5,标准差分析可知,在所有Cw下,(Ratio975—0.96)/(SAWI+0.2)对LAI的敏感性降低,更加适合提取冠层Cw.为了精确求得冠层Cw与Ratio97s和SA WI的函数关系,考虑图4的交点,目视图5的趋势线以倒数关系为宜,因此,设Cw(y)与Ratio975和SAWI的函数关系式为:a+(7)SAWI—b”其中,(b,a)为假设的图4中的交点.为了方便用PROSPECT+SAILH模拟数据通过最小二乘法拟合该多项式,将(7)化简成:y=(aSAWI—b)/(Ratio975一CSA WI—d)+e(8)结果是a=0.1566,b=一0.0066,C=1.215,d=1.0194,e=0.1622,通过(8)式拟合结果与PROSPECT+SAIIH模拟数据(LAI从0.3到8.0.Cw从0.0001cm到0.07cm)的相关系数是0.654.图5LAI~0.3时Cw与(Ratio975—0.96)/(SAWI+0.2)关系图Fig.5Watercontentand(Ratio975—0.96)/(SAWI+0.2)correlationunderLAI≥0.3.4结语准确提取植被叶片和冠层层次Cw是高光谱遥感重要的应用领域之一.最初研究者利用冠层光谱提取水分含量最直接的是统计方法.应用中发现,预测方程因时因地而异,受诸多因素影响,难以找到普适关系.这和该方法的机制有关.冠层光谱是植被和背景的混合光谱,用混合光谱与植被参数建立相关必然受到太多随机因素影响,难以给出理论上的解释.光谱指数建立时考虑植被内部物理机制,有一定物理含义.而一个有效的光谱指数必须能将植被7期沈艳等:植被叶片及冠层层次含水量估算模型的建立1223 信息与环境背景信息分离.本文研究证实,运用高光谱数据在叶片层次建立Cw估算模型是完全可能的.理论研究表明,在冠层层次,受背景影响,简单将某种光谱指数与Cw建立统计关系,进而提取冠层Cw效果往往不好,所以必须找到一种能够剔除背景影响的方法【,9I.相对于其他依赖一定实际土壤光谱特性的指数而言,本文SAWI的确定不要任何土壤,或特定场景信息.因此,为了去除环境背景的影响,将某个水分光谱指数与SAWI结合,可以建立冠层Cw的普适关系.当然,这里的普适并不是万能的,是针对某种叶肉结构N或是特定含水量范围的普适关系.研究表明,FMC,EwT表示含水量时对变量的敏感性不同.Potentialsandlimitsofvegetationindices forLAIandAPARassessment.融moteSensingEnviY on,35(2): 161～173eofremotelysenseddataforfiredangeresti—mation.EARSelAdvRemoteSensing,4(4):1～84CeccatoP,GobronN,FIaSseS,eta1.2002.Designingflspectralin—dextoestimatevegetationwatercontentfromremotesensingdata: Part1Theoreticalapproach.RemoteSensingEnviron,82(2):188～1975CeccatoaP,FIflsseS,TarantolaS,eta1.2001.Detectingvegetation leafwatercontentusingreflectanceintheopticaldomain.融mote SensingEnviY on,77(1):22～336ChuviecoE.DeshayesM.StachN,eta1.1999.Short—termfire risk:FoliagemoisturecontentestimationfromsateUitedata.In: ChuviecoEed.RemoteSensingofLargeWildfiresintheEuropean MediterraneanBasin.Berlin:Springer(UniversityofAlcaid,Spain).2287DansonFM,StevenMD,MalthusTJ,eta1.1992.High—spectral resolutiondatafordeterminingleafwatercontent.IntJRemote Sensing,13(3):46l～4708ElvidgeCD.1990.Visibleandnearinfraredreflectancecharacteris. ticsofdryplantmaterials.IntJRemoteSensing,11(11):1775～17959FourtyT.BaretF.1997.V egetationwateranddrymattercontents estimatedfromtop-of-the—atmospherereflectancedata:Asimulation study.RemoteSensingEnviyon,61(1):34～4510GfloBC.1996.NDWI—Anormalizeddifferencewaterindexforre.1112 motesensingofvegetationliquidwaterfromspace.RemoteSensing Enton,58(3):257～266GoetzAFH.V aneG,So1omonJE,eta1.1985.Imagingspectrome—tryforearthremotesensing.Science,228(4704):1147～1153 GondV.DePunrDG,V eroustraeteF,eta1.1999.Seasonalvaria. tionsinleafareaindex,leafch1orophyll,andwatercontent:scaling—uptoestimatefAPARandcarbonbalaliceinflmultilayer.multi. speciestemperateforest.TreePhysiol,19(5):673～67913HardiskyMA,KIemasV.SmartRM.1983.Theinfluenceofsoilsalinity.growthfomandlearmoistureonthespectralreflectanceof Spartinaalternifloracanopies.PhotogrammEngRemoteSens—ing,49(1):77～8314HosgoodB,JacquemoudS,AndreoliG,eta1.1995.LeafOptical PropertiesExperiment93(LOPEX’93).EuropeanCommission, JointResearchCenterInstituteofRemoteSensingApplications,Is—praItaly.15HueteAR.1988.Asoil-adjustedvegetationindex(SAvI).RPmote SensingEnviY on.25(3):295～30916HuntER.RockBN.1989.Detectionofchangesinleafwatercon—tentusingnear.andmiddle-infrfiredreflectances.RemoteSensing EnviY on,30(1):43～5417InoueY,MorinagaS.ShibayamaM.1993.Non—destructiveestima—tionofwaterstatusofintactcropleavesbasedonspectralre—flectancemeasurements.PJCropSci.62(4):462--46918JacquemoudS,BaretF.1990.PROSPECT:Amoddofleafoptical propertiesspectra.RemoteSensingEnviron,344(1):75--9119KramerPJ.1983.WaterRelationsofPlants.NewY ork:Academic Press.19832OLiY_J(李佑稷),LiJ(李菁),ChenJ(陈军),eta1.2004.Re—sponseofdollchomitriopsisdiversiformisphotosynthesisrateto light,airtemperatureandplantwatercontent.GhJEcol(应用生态),15(3):391～395(inChinese)21MbowC.1999.Propositionofflmethodforearlyfiresplanningus—inggroundandsatellite(NDVI/N0hA.-AvHRR)datafromNioko1oKohaNationalPark(SoutheastSenega1).PosterPresenta—tioninProceedingsoftheSecondInternationalSymposiumonOp—erationalizationofRemoteSensing,16～2OAugust1999,ITC,En. schede,TheNetherlands.22PefiuelasJ,FileUaI.SweeanoL.1996.Cellwallelastivityandwater index(R970/R900)inwheatunderdifferentnitrogenavailabili—ties.IntJRemoteSensing,17(3):373～38223PefiuelasJ,P访olJ,OgayaR,eta1.1997.Estimationofplantwater concentrationbythereflectancewaterindexwI(R900/R970). IntJRemoteSensing,18(13):2869～287524PuR,GES,KellyNM,eta1.2003.Spectralabsorpt?。