选取中国南方的草山草坡为研究对象, 该区域东起122° 20'E, 西至97° 36'E, 南起18° 15'N, 北至35° 20'N, 主要包括云南、贵州、四川、广西、江西、湖南、安徽等17个省区的丘陵、山地, 草山草坡面积6 000多万hm², 占全国草地面积近1/6(图1)。该区域的气候特点是典型的亚热带季风气候区与热带季风气候区, 夏季高温多雨, 冬季温和多雨, 无霜期在300 d以上, 降水量丰沛, 大部分地区年降水量在8001 600 mm之间, 适宜牧草的生长^[14]。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区位置及草地分布Fig.1 Location of study area and grassland distribution

2009-2010逐月平均温度、逐月总降水量来自于中国气象科学数据共享服务网(http://cdc.cma.gov.cn/)752个地面观测站。利用地理信息系统(GIS)的插值工具, 根据各气象站点的经纬度信息, 对逐月气象数据进行Kriging插值, 然后将插值获得的格网空间数据进行投影变换, 并按调查点相应的经纬度提取温度和降水信息。

于2009和2010年7-8月在安徽、贵州、四川等地进行实地调查, 每年各取样点132个。每处选取有代表性样地设置1个大样方(10 m× 10 m), 在大样方四角及中心位置各设置1个小样方(1 m× 1 m), 共计5个, 调查每个小样方内的地上生物量及经纬度等信息。鲜草带回后在65℃烘箱里烘干48 h后测量干重。5个小样方的干重求平均, 按每2.2 g 干重约等于1 g 碳换算, 得到每个样地的草地NPP, 统一以碳(g C/m²)的形式表示^[15]。

所用MODIS归一化植被指数(NDVI)数据来自美国宇航局(NASA)网站, 时间分辨率为16 d, 空间分辨率为500 m, 有4个数据层, 产品覆盖全球, 采用正弦投影, 按照10° × 10° 的地理范围分割成单独文件^[16]。利用最大值合成法提取月NDVI值, 此方法假设每旬中NDVI值最大的那一天是“ 晴空” , 为了排除受到云和大气影响的像元, 通过逐像元比较每个月每旬的NDVI图像并提取最大的NDVI值为合成后的NDVI值^[17]。然后提取与地面取样点相同经纬度并且在同一月份的NDVI值作为研究所用数据。

利用2009年的MOD12Q1土地覆盖分类产品数据, 参照国际地圈生物圈计划(IGBP)分类体系将稀疏灌丛(open shrublands)、稀树草原(savannas)、多树草原(woody savannas)、典型草原(grasslands)、永久湿地(permanent wetlands)等5种土地利用类型划归南方草地, 在此基础上构建出南方草地分布图^[18]。

数据分析:利用MODIS投影转换工具MRT(MODIS Reprojection Tool)进行拼接, 并由正弦曲线投影转换为等面积方位投影, 通过最近邻方法进行像素重采样, 用矢量化的南方行政区划图进行裁剪, 获得本研究区及地面实测点对应位置的NDVI数值。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 草地NPP与NDVI的散点关系Fig.2 Relationship between the grassland NPP of southern China and NDVI

建模方法:根据实测NPP与NDVI的统计分析结果, 提出模型初步结构, 然后利用非线性拟合的最优算法确定不同类型草地的参数值。

模型验证:为了验证模拟结果的可靠性, 采用RMSE(均方根差)和RRMSE(相对均方根差), 利用实测数据和MODIS-NPP数据产品对模型的模拟效果进行检验和评价。

草地NPP是衡量草地固碳能力及草地生长状况的重要指标, 而NDVI在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用, 它是植物生长状态以及植被空间分布密度的最佳指示因子, 与植被分布密度关系密切。本研究利用南方草山草坡的地面样方实测NPP数据以及对应位置同一月份的NDVI数据, 分析其相关性(图2)。随着NDVI值的增加, 草地NPP的值也随之增加, 两者存在统计上的正相关关系, 说明利用NDVI作为遥感植被指数估算草地NPP是可行的。

2.2.1 NPP与NDVI相关类型及其比较 根据南方草地NPP与对应位置及相同时相NDVI的分析结果, 二者之间有5种相关类型, 分别为线性相关、对数相关、多项式相关、乘幂相关及指数相关等, 并比较了不同相关类型的显著水平(表1)。根据调查的132个数据, 5种类型回归方程的NPP与NDVI的相关性均达到了极显著水平(P< 0.01), 其中多项式方程的相关性最高, R²达到了0.838 5, 对数方程的相关性最低, R²为0.706 9。

表1

Table 1

表1(Table 1)

表1 草地NPP与NDVI的相关类型及其显著水平 (n=132) Table 1 Relevant types and related level between the grassland NPP and NDVI 相关类型Related types R2 显著水平Related level 线性相关Linearity 0.826 1 * * 对数相关Logarithm 0.706 9 * * 多项式相关Polynomial 0.838 5 * * 乘幂相关Power 0.794 2 * * 指数相关Exponent 0.796 9 * * Note: * and * * mean significant difference at 0.05 and 0.01 probability levels, respectively. 注:* 表示显著相关(P< 0.05), * * 表示极显著相关(P< 0.01)。

表1 草地NPP与NDVI的相关类型及其显著水平 (n=132) Table 1 Relevant types and related level between the grassland NPP and NDVI

2.2.2 基本模型确定 南方草地NPP与NDVI之间的相关性用多项式方程表达最可靠(表1), 因此NPP遥感估算基本模型可以表示为:

Y_a=aX²+bX+c (1)

式中, Y_a表示草地基本NPP(g/m²)。X表示遥感植被指数NDVI。a, b, c为模型系数。

2.2.3 水热影响因子 为了避免回归模型在年际间的波动情况, 本研究引入年降水量和年均温度2个调节因子。年降水量因子可以表示为:

W_a=Sqrt(W/w₁+1) (2)

式中, W_a为降水量调节因子。W为年降水量(mm)。w₁为模型系数。

同理, 年均温调节因子可以表示为:

T_a=ln(T/t₁+1.6) (3)

式中, T_a为温度调节因子。T为年均温度(℃)。t₁为模型系数。

综上所述, 南方草地NPP的遥感估算模型可以表示为:

NPP=Y_a× W_a× T_a(4)

2.2.4 参数计算 利用2009年的132个实测数据, 采用非线性拟合的缩涨算法, 分别计算南方5种类型草地NPP估算模型的参数值, 结果列于表2。

表2

Table 2

表2(Table 2)

表2 不同类型草地NPP估算模型的参数值(2009) Table 2 Parameter values of estimation model for NPP of different grasslands in southern China 草地类型 Grassland types 样本数 Sample size 参数值Parameter values a b c W1 T1 稀疏灌丛Open shrublands 23 456.26 123.77 12.06 稀树草原Savannas 26 342.16 243.65 1.07 多树草原Woody savannas 25 378.85 197.48 3.34 600.61 10.19 典型草原Grasslands 36 330.32 250.47 2.18 永久湿地Permanent wetlands 22 325.61 252.58 1.38

表2 不同类型草地NPP估算模型的参数值(2009) Table 2 Parameter values of estimation model for NPP of different grasslands in southern China

本研究利用2010年独立的南方草地NPP实测数据, 对遥感模型的模拟结果进行验证。结果表明, NPP的模拟值和实测值之间有很好的相关性, 5种草地类型R²分别为0.902 2, 0.826 6, 0.871 2, 0.887 7和0.875 5(P< 0.01), 均达到了极显著水平。模拟均方根误差RMSE分别为42.9, 67.7, 50.4, 46.1和48.8 g C/m², 相对均方根差分别为0.385, 0.425, 0.237, 0.363和0.262, 均较小。上述结果说明南方草地NPP的遥感估算模型的模拟结果是可行的。另外从草地NPP模拟值与实测值的1∶ 1关系图(图3)可以看出, 模型的模拟结果与实测值之间趋势一致, 结果比较可靠。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 草地NPP模拟值与实测值之间的比较(2010)Fig.3 Comparison between the simulated and observed NPP of grassland in southern China

为进一步验证预测精度, 计算出南方草地NPP模拟值与实测值的平均相对误差为13.19%, 表明该模型的平均估算精度可以达到86.81%, 因此可以用该模型实现南方草地地上生物量的大面积估算。

利用基于NDVI的遥感模型对2011年的南方草地NPP进行估算(图4)。基于遥感模型的南方草地NPP分布呈现一定的地带性, NPP总体分布由西北向东南逐渐增加, 其中四川西北部及其与云南交界等地区草地NPP值较小, 基本在300 g C/m²以下, 而海南、广西、江西以及广东等地草地NPP值较高, 相当一部分达到1 100 g C/m²以上, 说明这部分地区的水热条件好, 更利于草地生长。其他地区大多在300800 g C/m²之间。通过NPP的分布可以看出, 南方草地在密度分布上差异较大, NPP小的区域草地密度大, 聚集度高, 如四川、云南等地; 而NPP高的区域草地密度小, 聚集度低, 如南部沿海各省份。通过ArcGIS软件分析可知, 利用该模型估算的整个南方草地NPP平均值约为522 g C/m²左右, 高于全国平均水平。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 基于遥感模型的南方草地NPP分布(2011)Fig.4 Distribution of grassland NPP based on remote sensing model in southern China

为进一步说明模型模拟的南方草地NPP在空间分布上的差异, 将其在各地区的分布结果列于表3。南方草地NPP在各省区的分布有明显的差异, 其中最大值分布在860.31 394.9 g C/m²之间, 最高值落在海南省, 最低值落在江苏省; 最小值分布在3.1460.5 g C/m²之间, 最高值落在浙江省, 最低值落在四川省。从各省区平均值来看, 四川省最低, 为293.2 g C/m², 海南省最高, 达1 080.4 g C/m², 其余省区在451.8985.8 g C/m²之间。

表3

Table 3

表3(Table 3)

表3 南方草地NPP分区结果比较 Table 3 Comparison of grassland NPP in different district of southern Chinag C/m2 区域名称 Area names 最小值 Minimum 最大值 Maximum 变幅 Range 平均值 Mean 安徽Anhui 110.8 1 113.4 1 002.6 656.3 重庆Chongqing 78.5 883.3 804.8 655.2 福建Fujian 273.2 1 226.0 952.8 951.0 广东Guangdong 5.8 1 327.0 1 321.2 943.0 广西Guangxi 233.2 1 249.6 1 016.4 861.3 贵州Guizhou 81.9 949.9 868.0 565.0 海南Hainan 36.9 1 394.9 1 358.0 1 080.4 湖北Hubei 134.8 1 012.9 878.1 641.6 湖南Hunan 127.3 1 113.2 985.9 786.9 江苏Jiangsu 11.2 860.3 849.1 451.8 江西Jiangxi 178.1 1 297.3 1 119.2 846.9 四川Sichuan 3.1 882.8 879.7 293.3 台湾Taiwan 306.8 1 200.6 893.8 985.8 云南Yunnan 14.6 1 148.9 1 134.3 614.3 浙江Zhejiang 460.5 1 220.1 759.6 967.5

表3 南方草地NPP分区结果比较 Table 3 Comparison of grassland NPP in different district of southern Chinag C/m2

在植被生产力的相关研究中, MODIS归一化植被指数NDVI应用较多, 其中又以模型预测为主^{[19, 20, 21, 22, 23, 24]}。通过建模与仿真模拟, 可以揭示外部条件变化引起的NPP过程量变与趋势。因此, NPP模型的研究工作一直受到重视。本研究利用MODIS的NDVI数据建立了南方草地NPP估算的基本模型, 并通过年平均温度和年降水量进行调节, 使得模型的模拟过程具备了一定的机理性, 模拟结果更可靠。但由于南方草地NPP估算的研究尚无其他文献报道, 因此本模型的模拟结果只通过了实测验证, 目前尚无法与其他相关研究结果进行比较。

同时由于本研究使用的基本模型为统计模型, 尚存在一些问题, 主要体现在一是缺少机理性, 无法表达模拟对象的内在规律; 二是无法表现不同时间段的变化规律; 三是对特定的地区、特殊情况下的估算结果可能相差较大。但统计模型也有其特有的优势, 一是规律明显, 模型建立相对容易; 二是所需因子比较少, 使用方便; 三是适合于描述大区域以至全球尺度上的模拟对象^[3]。由于研究对象为南方草地, 范围较广, 使用以统计模型为主的估算方法对草地NPP进行遥感反演仍是可行的。

植被估算模型的建立受到多种因素的影响, 如人为因素、数据质量及模型参数取值等, 模型的估算结果与实测值之间难免存在误差^[16]。本研究中实测数据的选点、取样及测定等都受到人为因素的影响, 而遥感植被指数NDVI的获取则受到数据质量的影响。同时也受到草地植被类型以及地理位置等因素的影响。南方草山草坡分布范围广, 植被类型多, NPP的分布不均, 虽然模型的估算效果较好, 但还存在一些不够完善的地方, 如不同时间点及不同区域NPP的估算等。这些问题需要在以后的研究中不断加以完善, 使模型更具合理性。

南方草地NPP的分布存在空间上的异质性, 其大小的变化也反映了草地生产力的变化。因此根据NPP的分布合理调节与利用南方草地资源是一条有效的途径, 如NPP值较高但密度较低的地区可以加强草山草坡改良和人工草地建植工作, 而NPP值较低但密度较高的地区则需加强管理, 提高草地资源的利用率等^[25]。任继周和张英俊^[14]将南方草地分为3个区域, 分别是西南岩溶山地草地经济带、江淮平原丘陵草地经济带和岭南沿海平原丘陵草地经济带。上述结果分别对应了本研究中NPP的低值区、中值区和高值区, 说明本研究模拟的NPP结果对合理开发与利用南方草地资源具有一定的参考性。