基于MODIS数据与机器学习的青藏高原草地地上生物量研究

doi:10.11686/cyxb2021386

草业学报 ›› 2022, Vol. 31 ›› Issue (10): 1-17.DOI: 10.11686/cyxb2021386

• 研究论文 •

基于MODIS数据与机器学习的青藏高原草地地上生物量研究

金哲人(), 冯琦胜(), 王瑞泾, 梁天刚

兰州大学草地农业生态系统国家重点实验室，兰州大学农业农村部草牧业创新重点实验室，兰州大学草地农业教育部工程研究中心，兰州大学草地农业科技学院，甘肃兰州 730020

收稿日期:2021-10-28 修回日期:2022-01-10 出版日期:2022-10-20 发布日期:2022-09-14
通讯作者: 冯琦胜
作者简介:E-mail： fengqsh@lzu.edu.cn
金哲人（1997-），男，回族，河南郑州人，在读硕士。E-mail： Jinzhr20@lzu.edu.cn
基金资助:
国家重点研发计划(2019YFC0507701);国家自然科学基金(31672484);中国工程院咨询研究项目(2021-HZ-5);财政部和农业农村部：国家现代农业产业技术体系和兰州大学中央高校基本科研业务费专项资金(lzujbky-2021-kb13)

A study of grassland aboveground biomass on the Tibetan Plateau using MODIS data and machine learning

Zhe-ren JIN(), Qi-sheng FENG(), Rui-jing WANG, Tian-gang LIANG

State Key Laboratory of Grassland Agro-ecosystems，Key Laboratory of Grassland Livestock Industry Innovation，Ministry of Agriculture and Rural Affairs，Engineering Research Center of Grassland Industry，Ministry of Education，College of Pastoral Agriculture Science and Technology，Lanzhou University，Lanzhou 730020，China

Received:2021-10-28 Revised:2022-01-10 Online:2022-10-20 Published:2022-09-14
Contact: Qi-sheng FENG

摘要/Abstract

摘要：

青藏高原位于我国西部，又被称为“世界第三极”，对我国和世界的生态以及气候变化影响显著。为了评估2000-2020年青藏高原草地地上生物量（aboveground biomass，AGB）的变化情况，本研究采用多种机器学习方法结合MCD43A4产品数据模拟了草地地上生物量，并对该区域草地地上生物量的时空特征进行分析。结果表明：1）构建的机器学习模型中，Rborist模型精度最高，基于筛选后变量的R² 达到0.6484。“prec_05”、“prec_06”、“tp_12”、“NDPI”、“prec_04”、“tmax_01”、“prec_08”、“prec_12”这8个变量与生物量相关；2）青藏高原东南部的生物量要高于西北部，呈现由东南向西北递减趋势；3）2000-2020年间青藏高原草地生物量稳步增长，整体向好发展。青藏高原61.38%的草地变化趋势不具有可持续性，4.67%的草地持续性轻微恶化，持续性明显恶化的区域占比1.19%，呈稳定或恢复趋势的区域占比32.76%。

关键词: 植被指数, 机器学习, 草地地上生物量, 时空分布, 青藏高原

Abstract:

The Tibetan Plateau， often referred to as “the third pole of the world”， is located in the Southwest of China， and makes significant contribution to ecology and climate change in China and around the word. Our study evaluated the change in aboveground biomass （AGB） on the Tibetan Plateau from 2000 to 2020. We used multiple machine learning methods combined with MCD43A4 product data to simulate the aboveground biomass and analyzed the temporal and spatial characteristics of AGB in this region. The main results were as follows： 1） Among the constructed machine learning models， Rborist model demonstrated the highest accuracy， with an R² of 0.6484 based on screened variables， and eight variables were found to be highly correlated with biomass： precipitation in May， precipitation in June， average temperature in December， normalized difference phenology index （NDPI）， precipitation in April， maximum temperature in January， precipitation in August and precipitation in December； 2） AGB in the southeast of the Tibetan Plateau was higher than that in the northwest， with a decreasing trend from the southeast to northwest； 3） AGB on the Tibetan Plateau increased steadily from 2000 to 2020， with an overall positive movement. However， 61.38% of Tibetan Plateau grasslands showed a trend of unsustainability， 4.67% showed a slight deterioration trend， 1.19% showed a significant deterioration trend， and 32.76% were stable or showed a recovery trend.

Key words: vegetation index, machine learning, aboveground biomass, spatial and temporal distribution, Tibetan Plateau

金哲人, 冯琦胜, 王瑞泾, 梁天刚. 基于MODIS数据与机器学习的青藏高原草地地上生物量研究[J]. 草业学报, 2022, 31(10): 1-17.

Zhe-ren JIN, Qi-sheng FENG, Rui-jing WANG, Tian-gang LIANG. A study of grassland aboveground biomass on the Tibetan Plateau using MODIS data and machine learning[J]. Acta Prataculturae Sinica, 2022, 31(10): 1-17.

图/表 12

图1 青藏高原草地类型分布

Fig.1 Distribution of grassland types on the Tibetan Plateau

表1 本研究中使用的植被指数

Table 1 The vegetation index used in this study

序号Number	植被指数Vegetation index	名称 Full name	公式 Equation	引用 Reference
1	NDVI	归一化植被指数Normalized difference vegetation index	$N D V I = N I R - R N I R + R$	［22］
2	EVI	增强型植被指数Enhanced vegetation index	$E V I = 2.5 × N I R - R N I R + 6 × R - 7.5 × B + 1$	［23］
3	EVI2	增强型植被指数2 Enhanced vegetation index two	$E V I 2 = 2.5 × N I R - R N I R + 2.4 × R + 1$	［24］
4	DVI	差值植被指数Difference vegetation index	$D V I = N I R - R$	［25］
5	RVI	比值植被指数Ratio vegetation index	$R V I = N I R R$	［26］
6	SAVI	土壤调整植被指数Soil adjusted vegetation index	$S A V I = (N I R - R) × (1 + 0.5) (N I R + R + 0.5)$	［27］
7	MSAVI	修改型土壤调节植被指数Modified soil adjusted vegetation index	$M S A V I = 2 N I R + 1 - (2 N I R + 1) 2 - 8 × (N I R - R) 2$	［28］
8	OSAVI	优化土壤调整植被指数Optimized soil adjusted vegetation index	$O S A V I = N I R - R N I R + R + 0.16$	［29］
9	SATVI	土壤调整总植被指数Soil adjusted total vegetation index	$S A T V I = (S W I R 1 - R) × (1 + 0.5) (S W I R 1 + R + 0.5) - S W I R 2 2$	［30］
10	NDPI	归一化物候指数Normalized difference phenology index	$N D P I = N I R - (0.74 × R + 0.26 × S W I R) N I R + (0.74 × R + 0.26 × S W I R)$	［31］

表1 本研究中使用的植被指数

Table 1 The vegetation index used in this study

序号Number	植被指数Vegetation index	名称 Full name	公式 Equation	引用 Reference
1	NDVI	归一化植被指数Normalized difference vegetation index	$N D V I = N I R - R N I R + R$	［22］
2	EVI	增强型植被指数Enhanced vegetation index	$E V I = 2.5 × N I R - R N I R + 6 × R - 7.5 × B + 1$	［23］
3	EVI2	增强型植被指数2 Enhanced vegetation index two	$E V I 2 = 2.5 × N I R - R N I R + 2.4 × R + 1$	［24］
4	DVI	差值植被指数Difference vegetation index	$D V I = N I R - R$	［25］
5	RVI	比值植被指数Ratio vegetation index	$R V I = N I R R$	［26］
6	SAVI	土壤调整植被指数Soil adjusted vegetation index	$S A V I = (N I R - R) × (1 + 0.5) (N I R + R + 0.5)$	［27］
7	MSAVI	修改型土壤调节植被指数Modified soil adjusted vegetation index	$M S A V I = 2 N I R + 1 - (2 N I R + 1) 2 - 8 × (N I R - R) 2$	［28］
8	OSAVI	优化土壤调整植被指数Optimized soil adjusted vegetation index	$O S A V I = N I R - R N I R + R + 0.16$	［29］
9	SATVI	土壤调整总植被指数Soil adjusted total vegetation index	$S A T V I = (S W I R 1 - R) × (1 + 0.5) (S W I R 1 + R + 0.5) - S W I R 2 2$	［30］
10	NDPI	归一化物候指数Normalized difference phenology index	$N D P I = N I R - (0.74 × R + 0.26 × S W I R) N I R + (0.74 × R + 0.26 × S W I R)$	［31］

表2 不同草地类型的调查样本数据基本情况

Table 2 Survey sample data and basic statistics of different grassland type

草地类型Grassland type	风干重Dry weight （kg·hm^-2）				盖度Cover degree （%）				高度Height （cm）
草地类型Grassland type	最小值Minimum value	最大值Maximum value	平均值Mean	标准偏差Standard deviation	最小值Minimum value	最大值Maximum value	平均值Mean	标准偏差Standard deviation	最小值Minimum value	最大值Maximum value	平均值Mean	标准偏差Standard deviation
A	104.00	2420.00	808.42	604.83	15.00	99.00	55.10	31.58	4.26	52.00	26.12	14.66
B	106.00	2384.00	604.35	486.25	9.00	100.00	52.70	31.08	2.00	16.20	4.74	3.35
C	57.00	5858.00	1533.51	922.10	1.00	100.00	83.15	16.27	0.86	92.00	11.62	8.85
D	50.00	4154.00	588.59	519.72	5.00	100.00	55.60	23.31	1.00	53.00	8.74	5.89
E	11.00	1585.00	406.76	280.79	2.00	94.00	29.16	19.51	1.50	17.00	4.92	3.14
F	140.00	500.00	304.06	89.62	15.00	99.00	53.09	17.18	1.00	85.00	12.98	13.91
G	179.00	2927.00	1276.86	812.90	10.00	95.00	52.00	33.77	4.70	34.20	13.80	7.80
H	790.00	1633.00	1153.33	433.37	61.00	71.00	66.33	5.03	10.10	11.40	10.93	0.72
I	281.00	4816.00	2001.48	928.60	15.00	100.00	87.13	13.37	1.60	96.70	18.61	11.88
J	143.00	969.00	456.15	242.65	15.00	60.00	35.62	13.90	3.00	28.00	10.00	7.56
K	113.00	1771.00	672.83	306.59	4.00	80.00	50.23	19.24	3.00	33.20	11.87	5.89
L	210.00	3009.00	831.73	462.44	7.00	97.00	61.01	19.83	1.00	81.00	15.66	9.82
M	8.00	1096.00	393.85	281.47	1.00	83.00	25.24	20.01	0.95	48.00	14.85	9.21
N	883.00	3684.00	1812.50	966.50	48.00	99.00	75.50	21.92	0.95	25.13	8.25	8.27
总计Total	8.00	5858.00	1359.28	950.42	1.00	100.00	76.16	22.53	0.86	96.70	12.18	9.44

图2 基于ffs筛选的模型表现情况

Fig.2 Model performance values from forward feature selection

图3 各变量之间的相关系数情况***表示极显著相关（P<0.001），下同。 *** indicate extremely significant correlation（P<0.001）， the same below. Biomass：草地生物量 Aboveground biomass， AGB； NDPI：归一化物候指数Normalized difference phenology index； prec_04： 4月降水量 Precipitation in April； prec_05： 5月降水量Precipitation in May； prec_06： 6月降水量 Precipitation in June； prec_08： 8月降水量 Precipitation in August； prec_12： 12月降水量 Precipitation in December； tmax_01： 1月最高温度 The highest temperature in January； tp_12： 12月平均温度 Average temperature in December.

Fig.3 Correlation coefficient among the variables

图4 筛选前后变量的模型运行情况bam：基于样条函数的广义加性模型 Generalized additive model using splines；brnn：贝叶斯规整化神经网络 Bayesian regularized neural networks；bstTree：提升树 Boosted tree；enet：弹性网络 Elasticnet；gaussprRadial：基于径向基函数核的高斯过程 Gaussian process with radial basis function kernel；glmnet：广义线性模型网 Generalized linear model net；kknn：k-临近算法 k-nearest neighbors；leapForward：基于正向选择的线性回归 Linear regression with forward selection；monmlp：单调多层感知机神经网络 Monotone multi-layer perceptron neural network；nnls：非负最小二乘 Non-negative least squares；ridge：岭回归 Ridge regression；svmRadialSigma：基于径向基函数核的支持向量机 Support vector machines with radial basis function kernel；spls：稀疏偏最小二乘 Sparse partial least squares；cforest：条件推断随机森林 Conditional inference random forest；parRF：平行随机森林 Parallel random forest；qrf：分位数随机森林 Quantile random forest；ranger：基于ranger的随机森林 Random forest；Rborist：基于Rborist的随机森林 Random forest；rf：基于randomForest的随机森林 Random forest；RRF：基于randomForest和RRF的正则化随机森林 Regularized random forest；RRFglobal：基于RRF的正则化随机森林 Regularized random forest；xgbDART：极端的梯度提升1 Extreme gradient boosting 1；xgbTree：极端的梯度提升2 Extreme gradient boosting 2. RMSE：均方根差Root mean square error， R2：决定系数Determination coefficient， MAE：平均绝对误差Mean absolute error.

Fig.4 Filter variables before and after the model runs

表3 各机器学习方法参数取值情况

Table 3 Parameters of different machine learning methods

方法Method	筛选变量前的参数Parameters of variables before filtering	筛选变量后的参数Parameters of variables after filtering
Rborist	predFixed=34 and minNode=3	predFixed=2 and minNode=3
RRF	mtry=34， coefReg=0.505 and coefImp=0.5	mtry=2， coefReg=1 and coefImp=0.5
ranger	mtry=34， splitrule=variance and min.node.size=5	mtry=2， splitrule=variance and min.node.size=5
RRFglobal	mtry=67 and coefReg=0.505	mtry=2 and coefReg=0.01
parRF	mtry=34	mtry=2
rf	mtry=34	mtry=2
qrf	mtry=34	mtry=2
kknn	kmax=9， distance=2 and kernel=optimal	kmax=9， distance=2 and kernel=optimal
cforest	mtry=67	mtry=8
xgbTree	nrounds=150， max_depth=3， eta=0.3， gamma=0， colsample_bytree=0.6， min_child_weight=1 and subsample=1	nrounds=150， max_depth=3， eta=0.4， gamma=0， colsample_bytree=0.8， min_child_weight=1 and subsample=1
xgbDART	nrounds=150， max_depth=3， eta=0.3， gamma=0， subsample=1， colsample_bytree= 0.8， rate_drop=0.5， skip_drop=0.95 and min_child_weight=1	nrounds=150， max_depth=3， eta=0.3， gamma=0， subsample=1， colsample_bytree= 0.8， rate_drop=0.5， skip_drop=0.95 and min_child_weight=1
bstTree	mstop=150， maxdepth=3 and nu=0.1	mstop=150， maxdepth=3 and nu=0.1
svmRadialSigma	sigma=0.03387348 and C=1	sigma=0.2790061 and C=1
gaussprRadial	-	-
monmlp	hidden1=5 and n.ensemble=1	hidden1=5 and n.ensemble=1
brnn	neurons=3	neurons=3
bam	select=TRUE and method=GCV.Cp	select=FALSE and method=GCV.Cp
spls	K=24， eta=0.5 and kappa=0.5	K=7， eta=0.9 and kappa=0.5
glmnet	alpha=0.1 and lambda=1.112425	alpha=1 and lambda=1.112425
enet	fraction=0.525 and lambda=0.0001	fraction=1 and lambda=0.0001
ridge	lambda=0.0001	lambda=0.0001
leapForward	nvmax=4	nvmax=4
nnls	-	-

图5 2000-2020年青藏高原草地地上生物量均值空间分布

Fig.5 The spatial distribution of grassland above-ground biomass on the Tibetan Plateau from 2000 to 2020

图6 2000-2020年青藏高原草地地上生物量变化趋势

Fig.6 Trends of grassland above-ground biomass on the Tibetan Plateau from 2000 to 2020

图7 2000-2020年青藏高原草地地上生物量持续性变化空间分布

Fig.7 Spatial distribution of grassland above-ground biomass on the Tibetan Plateau from 2000-2020 based on trend and Hurst index

表4 2000-2020年青藏高原各类草地变化特征分析

Table 4 The change characteristic analysis of different grassland from 2000-2020 on the Tibetan Plateau （%）

行政区划 Administrative divisions	草地类型 Grassland type	变化趋势不稳定Trend instability	持续性轻微降低 Sustained insignificant decrease	持续性明显降低 Sustained significant decrease	持续性稳定不变 Continuous stability	持续性轻微增加 Sustained insignificant increase	持续性明显增加Sustained significant increase
甘肃省 Gansu Province	A	68.10	0.46	0.04	10.30	2.49	18.61
	C	51.06	3.61	0.97	7.99	25.00	11.38
	D	22.07	0.00	0.00	22.90	18.67	36.36
	F	31.64	0.00	0.00	21.55	25.03	21.78
	K	53.02	2.22	0.42	4.42	21.12	18.79
	M	40.54	0.00	0.00	21.06	11.41	26.98
	O	30.68	0.00	0.00	13.57	12.62	43.13
	P	43.37	0.00	0.00	22.06	6.57	27.99
	Q	61.59	6.54	0.37	7.40	19.11	4.99
	小计Total	43.70	1.99	0.48	11.92	20.71	21.20
青海省 Qinghai Province	A	65.06	1.04	0.88	14.37	6.96	11.68
	B	0.00	0.00	0.00	100.00	0.00	0.00
	C	53.26	6.01	1.45	13.94	18.42	6.92
	D	40.10	2.72	1.55	22.69	18.60	14.34
	E	26.20	0.00	0.00	19.38	30.78	23.64
	F	49.28	0.01	0.00	21.65	19.30	9.76
	G	0.00	0.00	0.00	100.00	0.00	0.00
	K	55.03	7.53	1.67	7.44	18.08	10.26
	M	73.30	0.00	0.00	3.28	3.28	20.13
	N	50.82	0.46	0.28	8.67	13.04	26.73
	P	55.90	0.44	0.37	25.97	6.72	10.60
	Q	24.96	1.05	1.59	13.42	23.16	35.83
	小计Total	50.72	4.41	1.31	16.36	17.11	10.09
四川省 Sichuan Province	A	41.74	2.57	0.98	2.08	42.35	10.28
	C	56.24	10.71	1.32	11.26	16.26	4.21
	G	68.78	2.16	0.00	2.94	8.81	17.31
	I	75.56	3.58	0.25	2.47	7.65	10.49
	J	62.72	0.73	0.00	1.88	13.35	21.32
	K	59.16	7.39	1.23	7.67	16.53	8.02
	N	100.00	0.00	0.00	0.00	0.00	0.00
	Q	58.08	8.00	0.70	6.67	17.89	8.65
	小计Total	57.14	9.66	1.27	10.10	16.37	5.45
西藏自治区 Tibet Autonomous Region	A	71.53	3.69	1.41	7.92	7.97	7.48
	D	66.97	2.14	0.84	25.61	2.10	2.34
	E	55.60	0.16	0.05	38.09	2.02	4.08
	F	52.75	0.16	0.09	39.32	2.06	5.61
	G	71.46	10.42	3.97	5.46	7.94	0.74
	H	81.37	7.12	1.71	6.69	2.57	0.54
	I	76.61	4.44	0.00	4.03	6.85	8.06
	J	94.64	2.82	0.47	1.69	0.38	0.00
	K	59.33	15.57	3.79	14.00	6.50	0.80
	L	52.50	23.98	9.44	12.45	1.46	0.16
	M	79.63	0.19	0.00	10.42	4.39	5.36
	N	70.30	10.60	5.02	8.84	3.58	1.65
	O	76.71	0.11	0.00	7.84	10.58	4.76
	P	61.43	0.70	0.34	26.64	2.96	7.93
	Q	55.84	8.04	0.79	27.76	3.47	4.10
	小计Total	63.61	2.30	0.89	27.98	2.30	2.93
新疆维吾尔自治区 Xinjiang Uygur Autonomous Region	A	57.58	0.18	0.68	19.66	2.95	18.95
	C	59.28	4.55	1.69	23.21	5.79	5.49
	D	58.78	2.56	0.70	28.41	4.12	5.42
	E	69.46	3.34	1.40	19.38	2.73	3.70
	F	65.48	1.36	0.63	27.55	2.04	2.94
	K	61.40	3.49	0.62	21.36	8.42	4.72
	M	55.24	0.08	0.07	21.74	8.97	13.90
	N	73.08	0.33	0.09	8.66	6.70	11.14
	O	67.54	0.39	0.12	14.21	7.42	10.32
	P	75.68	0.09	0.03	9.14	4.76	10.31
	小计Total	66.31	1.93	0.72	20.08	4.32	6.65
云南省 Yunnan Province	A	91.82	6.36	0.00	0.91	0.91	0.00
	C	91.80	1.27	0.03	3.65	2.90	0.36
	G	96.45	0.16	0.00	0.81	1.62	0.97
	H	92.66	1.74	0.13	2.94	2.54	0.00
	I	89.41	1.91	0.00	1.04	4.77	2.86
	N	100.00	0.00	0.00	0.00	0.00	0.00
	小计Total	91.84	1.31	0.03	3.38	2.94	0.50

表4 2000-2020年青藏高原各类草地变化特征分析

Table 4 The change characteristic analysis of different grassland from 2000-2020 on the Tibetan Plateau （%）

行政区划 Administrative divisions	草地类型 Grassland type	变化趋势不稳定Trend instability	持续性轻微降低 Sustained insignificant decrease	持续性明显降低 Sustained significant decrease	持续性稳定不变 Continuous stability	持续性轻微增加 Sustained insignificant increase	持续性明显增加Sustained significant increase
甘肃省 Gansu Province	A	68.10	0.46	0.04	10.30	2.49	18.61
	C	51.06	3.61	0.97	7.99	25.00	11.38
	D	22.07	0.00	0.00	22.90	18.67	36.36
	F	31.64	0.00	0.00	21.55	25.03	21.78
	K	53.02	2.22	0.42	4.42	21.12	18.79
	M	40.54	0.00	0.00	21.06	11.41	26.98
	O	30.68	0.00	0.00	13.57	12.62	43.13
	P	43.37	0.00	0.00	22.06	6.57	27.99
	Q	61.59	6.54	0.37	7.40	19.11	4.99
	小计Total	43.70	1.99	0.48	11.92	20.71	21.20
青海省 Qinghai Province	A	65.06	1.04	0.88	14.37	6.96	11.68
	B	0.00	0.00	0.00	100.00	0.00	0.00
	C	53.26	6.01	1.45	13.94	18.42	6.92
	D	40.10	2.72	1.55	22.69	18.60	14.34
	E	26.20	0.00	0.00	19.38	30.78	23.64
	F	49.28	0.01	0.00	21.65	19.30	9.76
	G	0.00	0.00	0.00	100.00	0.00	0.00
	K	55.03	7.53	1.67	7.44	18.08	10.26
	M	73.30	0.00	0.00	3.28	3.28	20.13
	N	50.82	0.46	0.28	8.67	13.04	26.73
	P	55.90	0.44	0.37	25.97	6.72	10.60
	Q	24.96	1.05	1.59	13.42	23.16	35.83
	小计Total	50.72	4.41	1.31	16.36	17.11	10.09
四川省 Sichuan Province	A	41.74	2.57	0.98	2.08	42.35	10.28
	C	56.24	10.71	1.32	11.26	16.26	4.21
	G	68.78	2.16	0.00	2.94	8.81	17.31
	I	75.56	3.58	0.25	2.47	7.65	10.49
	J	62.72	0.73	0.00	1.88	13.35	21.32
	K	59.16	7.39	1.23	7.67	16.53	8.02
	N	100.00	0.00	0.00	0.00	0.00	0.00
	Q	58.08	8.00	0.70	6.67	17.89	8.65
	小计Total	57.14	9.66	1.27	10.10	16.37	5.45
西藏自治区 Tibet Autonomous Region	A	71.53	3.69	1.41	7.92	7.97	7.48
	D	66.97	2.14	0.84	25.61	2.10	2.34
	E	55.60	0.16	0.05	38.09	2.02	4.08
	F	52.75	0.16	0.09	39.32	2.06	5.61
	G	71.46	10.42	3.97	5.46	7.94	0.74
	H	81.37	7.12	1.71	6.69	2.57	0.54
	I	76.61	4.44	0.00	4.03	6.85	8.06
	J	94.64	2.82	0.47	1.69	0.38	0.00
	K	59.33	15.57	3.79	14.00	6.50	0.80
	L	52.50	23.98	9.44	12.45	1.46	0.16
	M	79.63	0.19	0.00	10.42	4.39	5.36
	N	70.30	10.60	5.02	8.84	3.58	1.65
	O	76.71	0.11	0.00	7.84	10.58	4.76
	P	61.43	0.70	0.34	26.64	2.96	7.93
	Q	55.84	8.04	0.79	27.76	3.47	4.10
	小计Total	63.61	2.30	0.89	27.98	2.30	2.93
新疆维吾尔自治区 Xinjiang Uygur Autonomous Region	A	57.58	0.18	0.68	19.66	2.95	18.95
	C	59.28	4.55	1.69	23.21	5.79	5.49
	D	58.78	2.56	0.70	28.41	4.12	5.42
	E	69.46	3.34	1.40	19.38	2.73	3.70
	F	65.48	1.36	0.63	27.55	2.04	2.94
	K	61.40	3.49	0.62	21.36	8.42	4.72
	M	55.24	0.08	0.07	21.74	8.97	13.90
	N	73.08	0.33	0.09	8.66	6.70	11.14
	O	67.54	0.39	0.12	14.21	7.42	10.32
	P	75.68	0.09	0.03	9.14	4.76	10.31
	小计Total	66.31	1.93	0.72	20.08	4.32	6.65
云南省 Yunnan Province	A	91.82	6.36	0.00	0.91	0.91	0.00
	C	91.80	1.27	0.03	3.65	2.90	0.36
	G	96.45	0.16	0.00	0.81	1.62	0.97
	H	92.66	1.74	0.13	2.94	2.54	0.00
	I	89.41	1.91	0.00	1.04	4.77	2.86
	N	100.00	0.00	0.00	0.00	0.00	0.00
	小计Total	91.84	1.31	0.03	3.38	2.94	0.50

图8 各植被指数与生物量之间的相关系数

Fig.8 Correlation coefficient between VIs （vegetation indexes） and biomass

参考文献 51

1	Piao S L， Wang X H， Ciais P， et al. Changes in satellite-derived vegetation growth trend in temperate and boreal Eurasia from 1982 to 2006. Global Change Biology， 2011， 17： 3228-3239.
2	Li B. Achievements and prospects of grassland ecological research in China. Chinese Journal of Ecology， 1992（3）： 3-9.
	李博. 我国草地生态研究的成就与展望. 生态学杂志， 1992（3）： 3-9.
3	Ren J Z， Liang T G， Lin H L， et al. Study on grassland’s responses to global climate change and its carbon sequestration potentials. Acta Prataculturae Sinica， 2011， 20（2）： 1-22.
	任继周，梁天刚，林慧龙，等. 草地对全球气候变化的响应及其碳汇潜势研究. 草业学报， 2011， 20（2）： 1-22.
4	Zhang L Y， Wang G， Bao L R， et al. Temporal changes of MODIS-NDVI vegetation index and forage biomass in Xilinguole grassland——Taking the change from April to September in 2005 as a sample. Pratacultural Science， 2008， 25（3）： 6-11.
	张连义，王刚，宝路如，等. 锡林郭勒盟草地MODIS-NDVI植被指数和估产牧草产量季节变化特征——以2005年4-9月的变化为例. 草业科学， 2008， 25（3）： 6-11.
5	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. Remote Sensing of Environment， 2016， 186： 164-172.
6	Zhao H F， Li X D， Zhang D， et al. Aboveground biomass in grasslands in Qinghai Province estimated from MODIS data and its influencing factors. Acta Prataculturae Sinica， 2020， 29（12）： 5-16.
	赵慧芳，李晓东，张东，等. 基于MODIS数据的青海省草地地上生物量估算及影响因素研究. 草业学报， 2020， 29（12）： 5-16.
7	Qiao H Q， Duo D， Li X D， et al. Estimation of the grass yield of Sunan County， Gansu grassland based on MODIS. Journal of Lanzhou University （Natural Sciences）， 2018， 54（6）： 817-823.
	乔蕻强，朵丹，李晓丹，等. 基于MODIS数据的甘肃省肃南裕固族自治县草地产草量估算. 兰州大学学报（自然科学版）， 2018， 54（6）： 817-823.
8	Du Y E， Liu B K， Guo Z G. Changes of forage biomass of grasslands during the growing season in the Qinghai Tibetan Plateau based on MODIS data. Pratacultural Science， 2011， 28（6）： 7.
	杜玉娥，刘宝康，郭正刚. 基于MODIS的青藏高原牧草生长季草地生物量动态. 草业科学， 2011， 28（6）： 7.
9	Ma Q Q， Chai L R， Ma H L， et al. Monitoring of grazing intensity in Maqu alpine meadow by remote sensing. Pratacultural Science， 2018， 35（5）： 941-948.
	马青青，柴林荣，马海玲，等. 玛曲高寒草甸放牧强度的遥感监测. 草业科学， 2018， 35（5）： 941-948.
10	Lu Y， Yang S X， Li X H. Monitoring of grassland herbage accumulation by using remote sensing in Gannan Prefecture. Pratacultural Science， 2021， 38（1）： 32-43.
	陆荫，杨淑霞，李晓红. 甘南州高寒天然草地生长状况遥感监测. 草业科学， 2021， 38（1）： 32-43.
11	Yao X C， Qu T T， Chang W J， et al. Estimation of grassland biomass using MODIS data and plant community characteristics. Chinese Journal of Eco-Agriculture， 2017， 25（4）： 530-541.
	姚兴成，曲恬甜，常文静，等. 基于 MODIS 数据和植被特征估算草地生物量. 中国生态农业学报， 2017， 25（4）： 530-541.
12	Gao X X， Dong S K， Li S， et al. Using the random forest model and validated MODIS with the field spectrometer measurement promote the accuracy of estimating aboveground biomass and coverage of alpine grasslands on the Qinghai-Tibetan Plateau. Ecological Indicators， 2020， 112： 106114.
13	Zeng N， Ren X L， He H L， et al. Estimating grassland aboveground biomass on the Tibetan Plateau using a random forest algorithm. Ecological Indicators， 2019， 102： 479-487.
14	Zhou W， Li H R， Xie L J， et al. Remote sensing inversion of grassland aboveground biomass based on high accuracy surface modeling. Ecological Indicators， 2021， 121： 107215.
15	Chen Y， Guerschman J， Shendryk Y， et al. Estimating pasture biomass using Sentinel-2 imagery and machine learning. Remote Sensing， 2021， 13： 603.
16	Zhang Y L， Li B Y， Liu L S， et al. Redetermine the region and boundaries of Tibetan Plateau. Geographical Research， 2021， 40（6）： 1543-1553.
	张镱锂，李炳元，刘林山，等. 再论青藏高原范围. 地理研究， 2021， 40（6）： 1543-1553.
17	Xia L， Song X N， Cai S H， et al. Role of surface hydrothermal elements in grassland degradation over the Tibetan Plateau. Acta Ecologica Sinica， 2021， 41（11）： 4618-4631.
	夏龙，宋小宁，蔡硕豪，等. 地表水热要素在青藏高原草地退化中的作用. 生态学报， 2021， 41（11）： 4618-4631.
18	Mo X G， Liu W， Meng C C， et al. Variations of grassland yield and forage-livestock balance over the Tibetan Plateau. Chinese Journal of Applied Ecology， 2021， 32（7）： 2415-2425.
	莫兴国，刘文，孟铖铖，等. 青藏高原草地产量与草畜平衡变化. 应用生态学报， 2021， 32（7）： 2415-2425.
19	Sun H L， Zheng D， Yao T D， et al. Protection and construction of the national ecological security shelter zone on Tibetan Plateau. Acta Geographica Sinica， 2012， 67（1）： 3-12.
	孙鸿烈，郑度，姚檀栋，等. 青藏高原国家生态安全屏障保护与建设. 地理学报， 2012， 67（1）： 3-12.
20	Xia J Z， Ma M N， Liang T G， et al. Estimates of grassland biomass and turnover time on the Tibetan Plateau. Environmental Research Letters， 2018， 13： 14020.
21	Peng S Z， Ding Y X， Liu W Z， et al. 1 km monthly temperature and precipitation dataset for China from 1901 to 2017. Earth System Science Data， 2019， 11： 1931-1946.
22	Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing and Environment， 1979， 8（2）： 127-150.
23	Liu H Q， Huete A R. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing， 1995， 33（2）： 457-465.
24	Jiang Z， Huete A R， Didan K， et al. Development of a two-band enhanced vegetation index without a blue band. Remote Sensing of Environment， 2008， 112（10）： 3833-3845.
25	Richardson A J， Wiegand C L. Distinguishing vegetation from soil background information. Photogrammetric Engineering and Remote Sensing， 1977， 43（12）： 1541-1552.
26	Jordan C F. Derivation of leaf-area index from quality of light on the forest floor. Ecology， 1969， 50（4）： 663-666.
27	Huete A R. A soil-adjusted vegetation index （SAVI）. Remote Sensing of Environment， 1988， 25： 295-309.
28	Qi J， Chehbouni A， Huete A R， et al. A modified soil adjusted vegetation index. Remote Sensing of Environment， 1994， 48： 119-126.
29	Rondeaux G， Steven M， Baret F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment， 1996， 55： 95-107.
30	Marsett R C， Qi J G， Heilman P， et al. Remote sensing for grassland management in the arid Southwest. Rangeland Ecology & Management， 2006， 59（5）： 530-540.
31	Wang C， Chen J， Wu J， et al. A snow-free vegetation index for improved monitoring of vegetation spring green-up date in deciduous ecosystems. Remote Sensing of Environment， 2017， 196： 1-12.
32	Yuan L H， Jiang W G， Shen W M， et al. The spatio-temporal variations of vegetation cover in the Yellow River Basin from 2000 to 2010. Acta Ecologica Sinica， 2013， 33（24）： 7798-7806.
	袁丽华，蒋卫国，申文明，等. 2000-2010 年黄河流域植被覆盖的时空变化. 生态学报， 2013， 33（24）： 7798-7806．
33	Piao S L， Fang J Y. Dynamic vegetation cover change over the last 18 years in China. Quaternary Sciences， 2001， 21（4）： 294-302.
	朴世龙，方精云. 最近18年来中国植被覆盖的动态变化. 第四纪研究， 2001， 21（4）： 294-302.
34	Xu Z X， Li J Y， Liu C M. Long-term trend analysis for major climate variables in the Yellow River basin. Hydrological Processes， 2007， 21： 1935-1948.
35	Fu G B， Chen S L， Liu C M， et al. Hydro-climatic trends of the Yellow River basin for the last 50 years. Climatic Change， 2004， 65： 149-178.
36	Yue S， Pilon P， Phinney B. Canadian streamflow trend detection： Impacts of serial and cross-correlation. International Association of Scientific Hydrology Bulletin， 2003， 48（1）： 51-63.
37	Fang L， Wang W J， Jiang W G， et al. Spatio-temporal variations of vegetation cover and its responses to climate change in the Heilongjiang basin of China from 2000 to 2014. Scientia Geographica Sinica， 2017， 37（11）： 1745-1754.
	方利，王文杰，蒋卫国，等. 2000-2014年黑龙江流域（中国）植被覆盖时空变化及其对气候变化的响应. 地理科学， 2017， 37（11）： 1745-1754.
38	Meng B P， Liang T G， Yi S H， et al. Modeling alpine grassland above ground biomass based on remote sensing data and machine learning algorithm： A case study in the east of Tibetan Plateau， China. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 2986-2995.
39	Lin X C， Chen J J， Lou P Q， et al. Improving the estimation of alpine grassland fractional vegetation cover using optimized algorithms and multi-dimensional features. Plant Methods， 2021， 17： 96.
40	Tang R， Zhao Y T， Lin H L. Spatio-temporal variation characteristics of aboveground biomass in the headwater of the Yellow River based on machine learning. Remote Sensing， 2021， 13： 3404.
41	Barrett B， Nitze I， Green S， et al. Assessment of multi-temporal， multi-sensor radar and ancillary spatial data for grasslands monitoring in ireland using machine learning approaches. Remote Sensing of Environment， 2014， 152： 109-124.
42	Zhang Y， Yin X J， Wang W Q， et al. Estimation of grassland aboveground biomass using Landsat 8 OLI satellite image in the Northern Hillside of Tianshan Mountain. Remote Sensing Technology and Application， 2017， 32（6）： 1012-1021.
	张雅，尹小君，王伟强，等. 基于Landsat 8 OLI遥感影像的天山北坡草地地上生物量估算. 遥感技术与应用， 2017， 32（6）： 1012-1021.
43	Ge J， Meng B P， Yang S X， et al. Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data： A case study in the Yellow River Headwater Region. Acta Prataculturae Sinica， 2017， 26（7）： 23-34.
	葛静，孟宝平，杨淑霞，等. 基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究—以黄河源区为例. 草业学报， 2017， 26（7）： 23-34.
44	Gan L Q， Cao X， Chen X H， et al. Comparison of MODIS-based vegetation indices and methods for winter wheat green-up date detection in Huanghuai region of China. Agricultural and Forest Meteorology， 2020， 288/289： 108019.
45	Su K， Yu Q， Hu Y H， et al. Inversion and effect research on dust distribution of urban forests in Beijing. Forests， 2019， 10： 418.
46	An C C， Dong Z， Li H L， et al. Assessment of vegetation phenological extractions derived from three satellite-derived vegetation indices based on different extraction algorithms over the Tibetan Plateau. Frontiers in Environmental Science， 2021， 9： 794189.
47	Xu D W， Wang C， Chen J， et al. The superiority of the normalized difference phenology index （NDPI） for estimating grassland aboveground fresh biomass. Remote Sensing of Environment， 2021， 264： 112578.
48	Zhuo G， Chen S R， Zhou B. Spatio-temporal variation of vegetation coverage over the Tibetan Plateau and its responses to climatic factors. Acta Ecologica Sinica， 2018， 38（9）： 3208-3218.
	卓嘎，陈思蓉，周兵. 青藏高原植被覆盖时空变化及其对气候因子的响应. 生态学报， 2018， 38（9）： 3208-3218.
49	Zhang L， Guo H D， Ji L， et al. Vegetation greenness trend （2000 to 2009） and the climate controls in the Qinghai-Tibetan Plateau. Journal of Applied Remote Sensing， 2013， 7： 073572.
50	Shen M G， Tang Y H， Chen J， et al. Influences of temperature and precipitation before the growing season on spring phenology in grasslands of the central and eastern Qinghai-Tibetan Plateau. Agricultural and Forest Meteorology， 2011， 151： 1711-1722.
51	Han B H， Zhou B R， Yan Y Q， et al. Analysis of vegetation coverage change and its driving factors over Tibetan Plateau from 2000 to 2018. Acta Agrestia Sinica， 2019， 27（6）： 1651-1658.
	韩炳宏，周秉荣，颜玉倩，等. 2000-2018年间青藏高原植被覆盖变化及其与气候因素的关系分析. 草地学报， 2019， 27（6）： 1651-1658.

[1]	厉方桢, 钟华平, 欧阳克蕙, 赵小敏, 李愈哲. 基于机器学习的阿勒泰地区草地地下生物量估测与数字制图[J]. 草业学报, 2022, 31(8): 13-23.
[2]	赵翊含, 侯蒙京, 冯琦胜, 高宏元, 梁天刚, 贺金生, 钱大文. 基于Landsat 8和随机森林的青海门源天然草地地上生物量遥感估算[J]. 草业学报, 2022, 31(7): 1-14.
[3]	王瑞泾, 冯琦胜, 金哲人, 刘洁, 赵玉婷, 葛静, 梁天刚. 青藏高原退化草地的恢复潜势研究[J]. 草业学报, 2022, 31(6): 11-22.
[4]	沈江龙, 陈吉军, 阿布都瓦里 ·伊玛木, 杨坤, 郭雅婷, 郑江华. 新疆荒漠草地亮柔伪步甲虫害与草地变化关系研究—以昌吉州南山草场为例[J]. 草业学报, 2022, 31(6): 163-177.
[5]	李洋, 王毅, 韩国栋, 孙建, 汪亚峰. 青藏高原高寒草地土壤微生物量碳氮含量特征及其控制要素[J]. 草业学报, 2022, 31(6): 50-60.
[6]	蔺豆豆, 琚泽亮, 柴继宽, 赵桂琴. 青藏高原燕麦附着耐低温乳酸菌的筛选与鉴定[J]. 草业学报, 2022, 31(5): 103-114.
[7]	秦格霞, 吴静, 李纯斌, 吉珍霞, 邱政超, 李颖. 基于机器学习算法的天祝藏族自治县草地地上生物量反演[J]. 草业学报, 2022, 31(4): 177-188.
[8]	刘佳丽, 范建容, 张茜彧, 杨超, 徐富宝, 张晓雪, 梁博. 高寒草地生长季/非生长季植被盖度遥感反演[J]. 草业学报, 2021, 30(9): 15-26.
[9]	付刚, 王俊皓, 李少伟, 何萍. 藏北高寒草地牧草营养品质对放牧的响应机制[J]. 草业学报, 2021, 30(9): 38-50.
[10]	张亦然, 刘廷玺, 童新, 段利民, 吴宇辰. 基于XGBoost算法的草甸地上生物量的高光谱遥感反演[J]. 草业学报, 2021, 30(4): 1-12.
[11]	南志标, 王彦荣, 聂斌, 李春杰, 张卫国, 夏超. 春箭筈豌豆新品种“兰箭3号”选育与特性评价[J]. 草业学报, 2021, 30(4): 111-120.
[12]	吴瑞, 刘文辉, 张永超, 秦燕, 魏小星, 刘敏洁. 青藏高原老芒麦落粒性及农艺性状相关性研究[J]. 草业学报, 2021, 30(4): 130-139.
[13]	石明明, 王晓敏, 陈奇, 韩炳宏, 周秉荣, 肖建设, 肖宏斌. 高寒草地干湿生态系统土壤水分及入渗对降水的响应[J]. 草业学报, 2021, 30(12): 49-58.
[14]	邱月, 吴鹏飞, 魏雪. 三种人工草地小型土壤节肢动物群落多样性动态及其差异[J]. 草业学报, 2020, 29(5): 21-32.
[15]	赵慧芳, 李晓东, 张东, 校瑞香. 基于MODIS数据的青海省草地地上生物量估算及影响因素研究[J]. 草业学报, 2020, 29(12): 5-16.

基于MODIS数据与机器学习的青藏高原草地地上生物量研究

A study of grassland aboveground biomass on the Tibetan Plateau using MODIS data and machine learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 51

相关文章 15

编辑推荐

Metrics