基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

doi:10.11686/cyxb2021180

草业学报 ›› 2022, Vol. 31 ›› Issue (6): 23-34.DOI: 10.11686/cyxb2021180

基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

张玉琢¹(), 杨志贵¹, 于红妍², 张强³, 杨淑霞³, 赵婷¹, 许画画¹, 孟宝平¹(), 吕燕燕¹

^1.南通大学脆弱生态研究所，地理科学学院，江苏南通 226007
^2.祁连山国家公园青海服务保障中心，青海西宁 810001
^3.甘肃省环境监测中心站，甘肃兰州 730020

收稿日期:2021-05-07 修回日期:2021-06-21 出版日期:2022-06-20 发布日期:2022-05-11
通讯作者: 孟宝平
作者简介:E-mail： mengbp09@lzu.edu.cn
张玉琢（2001-），女，江苏南通人，在读本科。E-mail： 1822021005@stmail.ntu.edu.cn
基金资助:
国家重点研发(2017YFA0604801);国家自然科学基金项目(42071056)

Estimating grassland above ground biomass based on the STARFM algorithm and remote sensing data——A case study in the Sangke grassland in Xiahe County， Gansu Province

Yu-zhuo ZHANG¹(), Zhi-gui YANG¹, Hong-yan YU², Qiang ZHANG³, Shu-xia YANG³, Ting ZHAO¹, Hua-hua XU¹, Bao-ping MENG¹(), Yan-yan LV¹

^1.Institute of Fragile Eco-environment，School of Geographic Science，Nantong University，Nantong 226007，China
^2.Qinghai Service and Guarantee Center of Qilian Mountain National Park，Xining 810001，China
^3.Gansu Environmental Monitoring Center Station，Lanzhou 730020，China

Received:2021-05-07 Revised:2021-06-21 Online:2022-06-20 Published:2022-05-11
Contact: Bao-ping MENG

摘要/Abstract

摘要：

遥感数据具有实时、动态、大范围等特点，在草地资源监测与管理研究中获得了广泛应用。然而，单一的遥感植被指数无法同时满足草地地上生物量观测中时空分辨率的需求。因此，本研究基于时间序列Landsat NDVI和MODIS NDVI数据，结合时空融合算法（spatial and temporal adaptive reflectance fusion model， STARFM），生成了2000-2016年高时空分辨率的植被指数数据集（NDVI_STARFM，时间分辨率为16 d，空间分辨率为30 m），并基于2013-2016年地面实测草地地上生物量数据，构建了夏河县桑科草原高寒草地地上生物量遥感反演模型，分析了2000-2016年研究区草地地上生物量生长状况和变化趋势。结果表明：1）基于NDVI_STARFM的最优估测模型为乘幂模型，其R²为0.58，均方根误差（root mean square error， RMSE）为795.62 kg·hm^-2，模型的表现能力次于Landsat NDVI最优估测模型（R²=0.76，RMSE=634.83 kg·hm^-2），而优于MODIS NDVI最优估测模型（R²=0.24，RMSE=937.79 kg·hm^-2）；2）基于NDVI_STARFM最优估测模型对各样区草地地上生物量总产的估测精度优于MODIS NDVI而次于Landsat NDVI，总体精度达84.05%；3）2000-2016年来，夏河县研究区草地地上生物量总体呈现增加趋势，其中90%左右的区域年增量大于30 kg·hm^-2，草地地上生物量呈现减少趋势的区域仅占2.30%。

关键词: 高寒草甸, STARFM, 生物量估测模型, 时空动态变化, MODIS, Landsat

Abstract:

Characteristics of remote sensing data include that they are real-time， dynamic and large-scale， so such data have been widely used in grassland resource monitoring and management research. However， a single remote sensing vegetation index can not meet the needs of temporal and spatial resolution in grassland above ground biomass （AGB） monitoring. Therefore， this study generated a high spatial and temporal resolution vegetation index data set based on a time series of Landsat NDVI and MODIS NDVI data， combined with the spatial and temporal adaptive reflectance fusion model （STARFM）. The data set so generated （NDVI_STARFM） had a temporal resolution 16 d and a spatial resolution 30 m. The optimum grassland above ground biomass inversion model was constructed based on measured grassland above ground biomass and NDVI_STARFM during the grass growth seasons of 2013-2016_.Finally， the spatiotemporal dynamic variation trends of grassland above ground biomass in the study area were analyzed for the period from 2000-2016. It was found that： 1） the optimal estimation model based on NDVI_STARFM was a power model， with an R² of 0.58 and an RMSE 795.62 kg·ha^-1. The performance of this model was lower than that of the Landsat NDVI optimal estimation model （R² =0.76， RMSE=634.83 kg·ha^-1）， but better than that of the MODIS NDVI optimal estimation model （R² =0.24， RMSE=937.79 kg·ha^-1）. 2） The overall accuracy of the optimal estimation model was 84.05%， it was higher than that of MODIS NDVI but lower than that of Landsat NDVI. 3） The grassland above ground biomass showed an increasing trend in most areas from 2000-2016. About 90% of the study area showed an increasing trend with annual increment more than 30 kg·ha^-1， while only 2.3% of the study area showed a decreasing trend.

Key words: alpine meadow, STARFM algorithm, biomass estimation model, spatiotemporal dynamic change, MODIS, Landsat

张玉琢, 杨志贵, 于红妍, 张强, 杨淑霞, 赵婷, 许画画, 孟宝平, 吕燕燕. 基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例[J]. 草业学报, 2022, 31(6): 23-34.

Yu-zhuo ZHANG, Zhi-gui YANG, Hong-yan YU, Qiang ZHANG, Shu-xia YANG, Ting ZHAO, Hua-hua XU, Bao-ping MENG, Yan-yan LV. Estimating grassland above ground biomass based on the STARFM algorithm and remote sensing data——A case study in the Sangke grassland in Xiahe County， Gansu Province[J]. Acta Prataculturae Sinica, 2022, 31(6): 23-34.

图/表 12

参考文献 35

1	Hopkins A. Relevance and functionality of semi-natural grassland in Europe-status quo and future prospective. Raumberg-Gumpenstein： International Workshop of the Salvere， 2009： 9-14.
2	Soussana J F， Loiseau P， Vuichard N， et al. Carbon cycling and sequestration opportunities in temperate grasslands. Soil Use & Management， 2004， 20（2）： 219-230.
3	Hu Z M， Guo Q， Li S G， et al. Shifts in the dynamics of productivity signal ecosystem state transitions at the biome-scale. Ecology Letters， 2018， 21（10）： 1457-1466.
4	Wang P， Deng X Z， Jiang S. Diffused impact of grassland degradation over space： A case study in Qinghai province. Physics and Chemistry of the Earth， 2017， 101： 166-171.
5	Xu B， Yang X C， Tao W G， et al. MODIS-based remote-sensing monitoring of the spatiotemporal patterns of China’s grassland vegetation growth. International Journal for Remote Sensing， 2013， 34（11）： 3867-3878.
6	Gao T， Yang X C， Jin Y X， et al. Spatio-temporal variation in vegetation biomass and its relationships with climate factors in the Xilingol grasslands， Northern China. PLoS One， 2013， 8（12）： e83824.
7	Xu D D， Guo X L. Some insights on grassland health assessment based on remote sensing. Sensors， 2015， 15（2）： 3070-3089.
8	Ali I， Cawkwell F， Dwyer E， et al. Satellite remote sensing of grasslands： From observation to management——A review. Journal of Plant Ecology， 2016， 9（6）： 649-671.
9	Meng B P， Ge J， Liang T G， et al. Evaluation of remote sensing inversion error for the above-ground biomass of alpine meadow grassland based on multi-source satellite data. Remote Sensing， 2017， 9（4）： 372.
10	Williamson H D， Eldridge D J. Pasture status in a semi-arid grassland. International Journal of Remote Sensing， 1993， 14（13）： 2535-2546.
11	Verbesselt J， Somers B， van Aardt J， et al. Monitoring herbaceous biomass and water content with SPOT VEGETATION time-series to improve fire risk assessment in savanna ecosystems. Remote Sensing of Environment， 2006， 101（3）： 399-414.
12	Xu B， Yang X C， Tao W G， et al. Remote sensing monitoring upon the grass production in China. Acta Ecologica Sinica， 2007， 27（2）： 405-413.
	徐斌，杨秀春，陶伟国，等. 中国草原产草量遥感监测. 生态学报， 2007， 27（2）： 405-413.
13	Meng B P， Chen S Y， Cui X， et al. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data ——As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science， 2015， 32（11）： 1730-1739.
	孟宝平，陈思宇，崔霞，等. 基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例. 草业科学， 2015， 32（11）： 1730-1739.
14	Liang T G， Yang S X， Feng Q S， et al. Multi-factor modeling of above-ground biomass in alpine grassland： A case study in the Three-River Headwaters Region， China. Remote Sensing of Environment， 2016， 186（1）： 164-172.
15	Gao F， Masek J， Schwaller M， et al. On the blending of the Landsat and MODIS surface reflectance： Predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（8）： 2207-2218.
16	Zhao Y L， Li D C， Jia X M， et al. Application evaluation of STARFM algorithm in generating wetland-type TM reflectance data. Computer Applications and Software， 2016， 33（3）： 267-270， 283.
	赵艳丽，李大成，贾琇明，等. STARFM算法生成湿地类型TM反射率数据的应用评价. 计算机应用与软件， 2016， 33（3）： 267-270， 283.
17	Tian L. The extraction of crop planting structure and its dynamic monitoring of Huangshui Basin from 2000 to 2015 combined with STARFM model. Chongqing： Xi’nan University， 2018.
	田罗. 结合STARFM模型的2000-2015年湟水流域农作物种植结构提取及其动态分析. 重庆：西南大学， 2018.
18	Peters F. Analyzing the phenologic dynamics of kudzu （Pueraria montana） infestations using remote sensing and the normalized difference vegetation index. Lousisville： The University of Lousisville， 2016.
19	Padarian J， Minasny B， Malone B， et al. Digital soil mapping in the cloud using Google Earth Engine. Computers & Geosciences， 2015， 83： 80-88.
20	Hansen M C， Potapov P V， Moore R， et al. High-resolution global maps of 21st-century forest cover change. Science， 2013， 342（6160）： 850-853.
21	Patel N N， Angiuli E， Gamba P， et al. Multitemporal settlement and population mapping from Landsat using Google Earth Engine. International Journal of Applied Earth Observation and Geoinformation， 2015， 35： 199-208.
22	Lobell D B， Thau D， Seifert C， et al. A scalable satellite-based crop yield mapper. Remote Sensing of Environment， 2015， 164（11）： 324-333.
23	Yang S X， Feng Q S， Liang T G， et al. Modeling grassland above-ground biomass based on artificial neural network and remote sensing in the Three-River Headwaters Region. Remote Sensing of Environment， 2018， 204： 448-455.
24	Feng Q S， Gao X H， Huang X D， et al. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet Plateau from 2001 to 2010. Journal of Lanzhou University， 2011， 47（4）： 75-81， 90.
	冯琦胜，高新华，黄晓东，等. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报， 2011， 47（4）： 75-81， 90.
25	Cui X， Guo Z G， Liang T G， et al. Classification management for grassland using MODIS data： A case study in the Gannan region， China. International Journal of Remote Sensing， 2012， 33（10）： 3156-3175.
26	Wang Y， Xia W T， Liang T G， et al. Spatial and temporal dynamic changes of net primary product based on MODIS vegetation index in Gannan grassland. Acta Prataculturae Sinica， 2010， 19（1）： 201-210.
	王莺，夏文韬，梁天刚，等. 基于MODIS植被指数的甘南草地净初级生产力时空变化研究. 草业学报， 2010， 19（1）： 201-210.
27	Bao H M. Dynamic monitoring and prediction of aboveground biomass of natural grassland—A case study in Xiahe County of Gansu Province. Lanzhou： Gansu Agricultural University， 2010.
	包海明. 天然草地地上生物量动态监测与预测—以甘肃夏河县为例. 兰州：甘肃农业大学， 2010.
28	Li F， Zeng Y， Luo J H， et al. Modeling grassland aboveground biomass using a pure vegetation index. Ecological Indicators， 2016， 62： 279-288.
29	Liu M， Liu G H， Gong L， et al. Relationships of biomass with environmental factors in the grassland area of Hulunbuir， China. PLoS One， 2014， 9（7）： e102344.
30	Gao T， Xu B， Yang X C， et al. Using MODIS time series data to estimate aboveground biomass and its spatio-temporal variation in Inner Mongolia’s grassland between 2001 and 2011. International Journal of Remote Sensing， 2013， 34（21）： 7796-7810.
31	Li F， Jiang L， Wang X F， et al. Estimating grassland aboveground biomass using multitemporal MODIS data in the West Songnen Plain， China. Journal of Applied Remote Sensing， 2013， 7（1）： 073546.
32	Diouf A A， Hiernaux P， Brandt M， et al. Do agrometeorological data improve optical satellite-based estimations of the Herbaceous yield in Sahelian semi-arid ecosystems？ Remote Sensing， 2016， 8（8）： 668.
33	Hilker T， Wulder M A， Coops N， et al. Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model. Remote Sensing of Environment， 2009， 113（9）： 1988-1999.
34	Singh D. Generation and evaluation of gross primary productivity using Landsat data through blending with MODIS data. International Journal of Applied Earth Observations & Geoinformation， 2011， 13（1）： 59-69.
35	Watts J， Powell S L， Lawrence R L， et al. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery. Remote Sensing of Environment， 2011， 115（1）： 66-75.

MODIS影像日期 Date of MODIS image	Landsat影像日期 Date of Landsat image	采样时间 Sampling time	样地数 Number of plots	样方数 Number of samples
2013-08-13	2013-08-08	2013-08-08	11	55
2014-07-28	2014-07-26	2014-07-28	13	65
2015-07-12	2015-07-13	2015-07-13	13	65
2016-07-27	2016-07-31	2016-07-26	11	55

MODIS影像日期 Date of MODIS image	Landsat影像日期 Date of Landsat image	采样时间 Sampling time	样地数 Number of plots	样方数 Number of samples
2013-08-13	2013-08-08	2013-08-08	11	55
2014-07-28	2014-07-26	2014-07-28	13	65
2015-07-12	2015-07-13	2015-07-13	13	65
2016-07-27	2016-07-31	2016-07-26	11	55

植被指数和生物量Vegetation index and biomass	最大值Max	最小值Min	平均值Mean	标准偏差STD	变异系数CV
NDVI_MODIS	0.84	0.58	0.74	0.08	0.15
NDVI_Landsat	0.91	0.55	0.77	0.10	0.13
NDVI_STARFM	0.95	0.47	0.72	0.11	0.17
生物量Biomass （kg·hm^-2）	3997.33	745.52	2299.30	972.60	0.42

植被指数和生物量Vegetation index and biomass	最大值Max	最小值Min	平均值Mean	标准偏差STD	变异系数CV
NDVI_MODIS	0.84	0.58	0.74	0.08	0.15
NDVI_Landsat	0.91	0.55	0.77	0.10	0.13
NDVI_STARFM	0.95	0.47	0.72	0.11	0.17
生物量Biomass （kg·hm^-2）	3997.33	745.52	2299.30	972.60	0.42

植被指数 Vegetation index	线性Linear		对数Logarithmic		乘幂Power		指数Exponential
植被指数 Vegetation index	R²	RMSE	R²	RMSE	R²	RMSE	R²	RMSE
NDVI_MODIS	0.17	917.21	0.17	916.80	0.24	937.79	0.24	940.72
NDVI_Landsat	0.65	586.72	0.66	576.76	0.76	634.83	0.75	665.32
NDVI_STARFM	0.49	714.93	0.52	690.97	0.58	795.62	0.54	847.99

基于STARFM的草地地上生物量遥感估测研究——以甘肃省夏河县桑科草原为例

Estimating grassland above ground biomass based on the STARFM algorithm and remote sensing data——A case study in the Sangke grassland in Xiahe County， Gansu Province

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 35

相关文章 15

编辑推荐

Metrics

植被指数 Vegetation index	参数估计和T检验Parameter estimation and T test			回归显著性检验Regression significance test
植被指数 Vegetation index	参数Parameter	估计值Estimated value	T	R²	F
NDVI_MODIS	A B	2.64 4561.14	3.81 4.55	0.24	14.52**
NDVI_Landsat	A B	3.37 5031.89	12.13 12.09	0.76	147.19**
NDVI_STARFM	A B	2.49 4812.23	7.92 8.44	0.58	62.75**

样区 Plot	指标 Norm	植被指数 Vegetation index
样区 Plot	指标 Norm	NDVI_MODIS	NDVI_Landsat	NDVI_STARFM
1号样区Plot No.1	绝对误差Absolute error （×10⁴kg）	2.99	2.25	1.91
	相对误差Relative error （%）	45.96	34.67	29.37
2号样区Plot No.2	绝对误差Absolute error （×10⁴kg）	1.55	1.06	0.43
	相对误差Relative error （%）	39.78	27.28	11.04
3号样区Plot No.3	绝对误差Absolute error （×10⁴kg）	0.75	0.51	0.20
	相对误差Relative error （%）	36.85	25.29	11.04
4号样区Plot No.4	绝对误差Absolute error （×10⁴kg）	1.35	0.65	0.77
	相对误差Relative error （%）	24.88	12.01	9.95
5号样区Plot No.5	绝对误差Absolute error （×10⁴kg）	3.26	2.61	4.25
	相对误差Relative error （%）	12.21	9.80	14.23
研究区All study area	绝对误差Absolute error （×10⁴kg）	9.89	3.45	5.75
	相对误差Relative error （%）	22.22	7.75	15.95

年份 Year	研究区The study area
年份 Year	指标Index	1	2	3	4	5	整体All
2013	MEAN	3508.00	2062.67	1876.00	3249.78	2762.93	2876.56
	STD	750.24	371.12	332.65	573.77	675.20	777.49
	CV	0.21	0.18	0.18	0.18	0.24	0.27
2014	MEAN	3318.10	2415.50	2034.30	2123.85	2498.04	2524.62
	STD	1279.95	771.33	383.13	494.95	576.57	1398.16
	CV	0.39	0.32	0.19	0.23	0.23	0.55
2015	MEAN	2096.56	2236.48	2262.96	2370.00	2285.45	2263.90
	STD	168.35	146.23	39.13	205.07	300.85	268.03
	CV	0.08	0.07	0.02	0.09	0.13	0.12
2016	MEAN	3187.20	3436.00	3326.40	3158.40	2874.80	3049.45
	STD	1058.61	430.28	780.75	709.26	703.17	768.73
	CV	0.33	0.13	0.23	0.22	0.24	0.25

[1]	刘咏梅, 董幸枝, 龙永清, 朱志梅, 王雷, 盖星华, 赵樊, 李京忠. 退化高寒草甸狼毒群落分类特征及其环境影响因子[J]. 草业学报, 2022, 31(4): 1-11.
[2]	李鑫, 魏雪, 王长庭, 任晓, 吴鹏飞. 外源性养分添加对高寒草甸土壤节肢动物群落的影响[J]. 草业学报, 2022, 31(4): 155-164.
[3]	张仁平, 郭靖, 马晓芳, 郭伟勇. 基于MODIS数据的新疆草地物候提取方法及变化趋势分析[J]. 草业学报, 2022, 31(1): 1-12.
[4]	杨鑫, 曹文侠, 鱼小军, 汪海斌, 郝媛媛. 基于近20年MODIS NDVI日数据的青海省草地资源动态监测及其对环境因子的响应[J]. 草业学报, 2021, 30(9): 1-14.
[5]	唐立涛, 毛睿, 王长庭, 李洁, 胡雷, 字洪标. 氮磷添加对高寒草甸植物群落根系特征的影响[J]. 草业学报, 2021, 30(9): 105-116.
[6]	林小丁, 常乐, 冯丹. 2000-2019年青海地区植被总初级生产力遥感估算及时空变化分析[J]. 草业学报, 2021, 30(6): 16-27.
[7]	张伟, 宜树华, 秦彧, 上官冬辉, 秦炎. 基于无人机的高寒草甸地表温度监测及影响因素研究[J]. 草业学报, 2021, 30(3): 15-27.
[8]	罗文蓉, 胡国铮, 干珠扎布, 高清竹, 李岩, 葛怡情, 李钰, 何世丞, 旦久罗布. 模拟干旱对藏北高寒草甸植物物候期和生产力的影响[J]. 草业学报, 2021, 30(2): 82-92.
[9]	王琇瑜, 黄晓霞, 和克俭, 孙晓能, 吕曾哲舟, 张勇, 朱湄, 曾睿钦. 滇西北高寒草甸植物群落功能性状与土壤理化性质的关系[J]. 草业学报, 2020, 29(8): 6-17.
[10]	徐田伟, 赵炯昌, 毛绍娟, 耿远月, 刘宏金, 赵新全, 徐世晓. 青海省海北地区高寒草甸群落特征和生物量对短期休牧的响应[J]. 草业学报, 2020, 29(4): 1-8.
[11]	乌尼图, 刘桂香, 杨勇, 宋向阳, 白海花. 基于光能利用率模型的内蒙古天然草原植被净初级生产力动态监测与气候因子的响应[J]. 草业学报, 2020, 29(11): 1-10.
[12]	杨阳, 田莉华, 田浩琦, 孙怀恩, 赵景学, 周青平. 增温对川西北高寒草甸草场植物凋落物分解的影响[J]. 草业学报, 2020, 29(10): 35-46.
[13]	马海霞, 张德罡, 陈瑾, 郭春秀, 董永平, 马源, 康玉坤, 陈璐, 杜凯, 陈建纲. 祁连山东段高寒草甸土壤持水能力在小尺度不同坡面位置的分异特征[J]. 草业学报, 2020, 29(1): 28-37.
[14]	沈贝贝, 丁蕾, 李振旺, 辛晓平, 徐大伟, 朱晓昱, 王旭, 陈宝瑞. 呼伦贝尔草原净初级生产力时空变化及气候响应分析[J]. 草业学报, 2019, 28(5): 1-14.
[15]	张灵菲, 卫万荣, 石高宇, 张卫国. 高寒草甸植物群落结构对高原鼠兔种群密度的影响[J]. 草业学报, 2019, 28(3): 93-100.