三江源地区高寒冬季枯草遥感监测方法研究

doi:10.11873/j.issn.1004-0323.2022.6.1472

三江源地区高寒冬季枯草遥感监测方法研究

段旭辉^,¹, 徐维新^,¹, 梁好¹, 张娟², 代娜¹, 肖强智¹, 王淇玉¹

1.成都信息工程大学资源环境学院，四川成都 610225

2.青海省气象科学研究所，青海西宁 810001

Study on Remote Sensing Monitoring Method of Dead Alpine Meadow in Winter of Sanjiangyuan Region

Duan Xuhui^,¹, Xu Weixin^,¹, Liang Hao¹, Zhang Juan², Dai na¹, Xiao Qiangzhi¹, Wang Qiyu¹

1.College of Resources and Environment，Chengdu University of Information Engineering，Chengdu 610225，China

2.Qinghai Institute of Meteorological Sciences，Xining 810001，China

通讯作者: 徐维新（1973-），男，青海乐都人，教授，主要从事高寒草地生态环境遥感应用研究。E⁃mail：weixin.xu@cuit.edu.cn

收稿日期: 2021-06-22 修回日期: 2022-07-10

基金资助:

国家自然科学基金项目.  41971328.  41861049
四川省科技厅项目.  2022YFS0490
西藏自治区科技计划项目.  XZ202102YD 0012C
内蒙古自治区科技计划项目.  2021GG0019

Received: 2021-06-22 Revised: 2022-07-10

作者简介 About authors

段旭辉（1996-），男，四川资阳人，硕士研究生，主要从事高寒草地遥感监测研究E⁃mail:2439701772@qq.com , E-mail：2439701772@qq.com

摘要

冬季枯草是遥感监测服务的一个空白领域，通过揭示枯草的独特光谱特征、建立高寒冬季枯草监测技术方法等一系列针对高寒冬季枯草的研究，可推动高寒地区冬季牧草遥感监测新的服务领域与服务时段的发展，为青藏高原生态环境保护与管理提供创新性技术支持。基于2016年8月和11月青藏高原三江源腹地的玉树隆宝自然保护区两次野外观测试验，获取了72个鲜草与枯草样方的地面高光谱实测数据。枯草光谱特征的分析发现，在350—1 350 nm的可见光至近红外波段，枯草反射光谱呈显著的线性分布特征，其反射率自350 nm处的1.5%线性增长至1 350 nm附近约38%。枯草与鲜草光谱存在显著的差异性，枯草完全丧失了绿色植被红光强吸收、绿光强反射的光谱特征，其红光波段反射率约为鲜草的4.9倍，而绿光波段反射率也接近1.4倍，760—1 350 nm近红外波段一致的高反射也不复存在。基于枯草独特的光谱特征，建立了基于MODIS卫星波段5与波段3归一化的枯草指数DGVI（Dead Grass Vegetation Index）。地面样本和卫星数据的验证表明，DGVI可有效识别枯草，其估算值与实测值相关系数达到0.68（P<0.05），且明显优于现有的常用植被指数，可用于冬季高寒枯草的遥感识别与生物量监测。

关键词： 高寒枯草 ; 植被指数 ; 敏感波段 ; 青藏高原

Abstract

Winter dead grass is a blank field of remote sensing monitoring services， by revealing the unique spectral characteristics of dead grass， establish alpine dead grass monitoring technology and a series of research， can promote alpine region dead grass remote sensing monitoring new services and the development of service time， for the Qinghai-Tibetan plateau ecological environment protection and management to provide innovative technical support. Based on two field observation tests in August and November 2016 in area of Sanjiangyuan in the hinterland of the Qinghai-Tibet Plateau， 72 ground hyperspectry data were obtained including the samples of fresh grass and dead grass. A significant linear pattern of the reflect spectrums for dead grass showed during from 1.5% at 350nm to about 38% near 1 350 nm at range of visible and near-infrared spectrum band. There are evidently differences between dead grass and fresh grass in spectral reflectivity， dead grass completely lost spectral characteristics which shown in the green vegetation with a strong absorption in the red band and a weak absorption in the green band， also shown a high reflection in the 760—1 300 nm （near-infrared band）. The red light band reflectance is about 4.9 times that of fresh grass， while the green light band reflectivity is nearly 1.4 times. In this study， we provided a normalized Dead Grass Vegetation Index （DGVI） using the band 5 and band 3 according to the MODIS satellite data. It was found that the DGVI can effectively identify dead grass in winter， the correlation coefficient between the measured and estimated data by DGVI reaches 0.68 （P <0.05）， and DGVI is significantly better than the general vegetation index. Our study indicated that the DGVI can be used to monitoring for alpine dead grass in winter.

Keywords： Dead alpine grass ; Vegetation index ; Sensitive spectrum ; Qinghai-Tibet Plateau

PDF (4755KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

段旭辉, 徐维新, 梁好, 张娟, 代娜, 肖强智, 王淇玉. 三江源地区高寒冬季枯草遥感监测方法研究. 遥感技术与应用[J], 2022, 37(6): 1472-1481 doi:10.11873/j.issn.1004-0323.2022.6.1472

Duan Xuhui, Xu Weixin, Liang Hao, Zhang Juan, Dai na, Xiao Qiangzhi, Wang Qiyu. Study on Remote Sensing Monitoring Method of Dead Alpine Meadow in Winter of Sanjiangyuan Region. Remote Sensing Technology and Application[J], 2022, 37(6): 1472-1481 doi:10.11873/j.issn.1004-0323.2022.6.1472

1 引言

高寒草地作为青藏高原最主要的植被类型^［1］，不仅是高原畜牧业生产的基础，也是青藏高原生态安全屏障的重要组成部分。冬季高原地上枯草存量及其时空分布与动态变化，是生态补偿、草畜平衡、科学防灾减灾救灾、以及生态环境保护的参考要素。此外，冬季牧草及其凋落物作为土壤表层的覆盖层，枯草的存在不仅能有效减少径流和土壤侵蚀，同时也对草原生态系统的养分、碳、水和能量等的流动有着显著的影响^［2］。枯草腐烂后能向土壤中增加养分，改善土壤结构，其作用还随着枯草存量的上升而增强^［3-4］。枯草和凋落物还一定程度上影响到第二年种子和牧草的再生^［5-6］。因此，枯草在草地保温、保湿及保护微生物等方面具有重要的生态意义，并发挥着不可替代的群落结构稳定作用^［7-9］。然而，我国牧草要素的观测工作时间仅限于返青至枯黄之间的生长季，草地非生育期（如冬季）是草地观测的空白期。因此，探究和发展冬季牧草的观测方法与技术，不仅具有明确的科学意义，也存在紧迫的现实需求。

近年来，利用高光谱数据进行植被生物量和覆盖度遥感监测研究已趋于精细化发展，并在冬小麦^［10］、玉米^［11］、马铃薯^［12］以及水稻^［13］等作物长势、生理生化性状和产量品质等方面^［14］取得了重要进展。针对天然草地生物参数的估算和动态监测也取得了丰富成果^［15］。然而，以上研究主要集中于植被的生长期，对于冷季植被尤其是冷季天然草地光谱特征及其遥感监测方法的研究明显偏少。

目前，国内外针对植被枯落物遥感监测方法与技术的研究主要集中于草原火灾可燃物的监测与估算。不少研究通过实验和模型模拟，从理论基础上对草地可燃物的物理、火灾趋势及牧草起火特性的监测方法进行了探讨^［16-17］。有研究通过高光谱和激光雷达数据融合，进行了生态系统三维特性、可燃性以及潜在的火灾蔓延信息的提取试验^［18］。也有研究通过植被净初级生产力（Net Primary Productivity，NPP）与火灾的频率和程度间数理统计关系，分析了以地面枯草为主的可燃物估算^［19］。有学者基于MODIS 6、7波段提出了一种枯草燃料指数，以实现大尺度草原火险遥感监测^［20］。对于草地可燃物性状、监测方法等方面的研究工作^［21-25］，促进了对草地可燃物理性状的认识以，为构建枯草遥感监测方法提供了支持。

近年来，有学者利用多光谱影像和地面调查数据，建立了枯草生物存量的监测指数，证明了利用多光谱数据反演枯草粗蛋白具有可行性^［26-27］。枯落物高光谱特征的研究也有陆续报道，基于枯落物光谱曲线特征结合枯草生物参数，提出了一些枯草生物量的估算方法^［28-29］。然而，现有的研究工作大多集中于遥感数据与地面枯落物统计关系的建立，个别光谱特征的研究也偏重于枯草可燃性与可燃物角度的探索。但枯草遥感识别、生物量和覆盖度的直接监测研究开展较少。此外，上述研究工作主要在内蒙古与东北等北方草原地区展开，针对青藏高原地区独特高寒枯草的遥感监测方法与技术的研究尚未见报道。近年来，徐维新团队在青藏高原开展的冬季牧草野外观测活动、建立封闭式高寒牧草野外观测试验场等研究活动均是冬季牧草监测研究的探索。基于上述的野外观测活动，梁好等对高寒枯草的光谱模拟参数进行了率定，为进一步研究枯草高光谱特性奠定了基础^［30］。

本研究针对青藏高原高寒草地冬季枯草特性，开展地物高光谱观测试验，通过揭示高寒枯草典型光谱特征，尝试建立基于卫星数据的枯草遥感监测方法，为青藏高原草地生态与生产监测提供技术支持，并为高寒枯草的遥感监测方法与技术提供有益探讨。

2 数据与方法

2.1　研究区概况

枯草光谱观测试验场位于青海省玉树藏族自治州玉树市隆宝国家级自然保护区东部河谷上游（33°08′53.18″ E，96°38′07.35″ N），该区海拔介于4 400—4 600 m，地势相对开阔平坦，草地类型为以藏嵩草为主的典型高寒草甸。年平均气温约11.1 ℃，年降水400—500 mm。试验场面积约5×10⁴ m²，建于禁牧封育草场内。试验点地处三江源国家级自然保护区（三江源国家公园）的核心区域，气候寒冷，人烟稀少，人类干扰少，具有典型的高寒草地特征和地域代表性。

2.2　光谱数据采集

2.2.1　样方设置

试验场内设置2个观测样区，为充分保证所选样方的随机性，每个样区采用十字交叉法进行观测样方的设置。即每样区内随机选取一点为中心基点，以此点各向东西南北4个方向延伸50 m，每隔10 m设置一个光谱观测样方，每样区设20个样方，2样区共有40个野外天然高寒草地牧草光谱观测样方（如图1（a））。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 十字交叉法光谱观测样方设置示意及不同覆盖等级光谱观测子样方示意图

Fig.1 Schematic diagram of the observation sample square setting and subatic of different coverage levels

每个样区十字交叉线东向30 m处样方设置为不同植被覆盖等级光谱观测样方。即将该处50 cm×50 cm标准样方再以每10 cm为间隔，划分为25个10 cm×10 cm的子样方（如图1（a）），图1（b）展示了实地观测时子样方照片。由图可见，该样方内由25个植被覆盖度为4%的子样方构成了100%覆盖度的标准观测样方。观测时，通过每个子样方逐一刈割并完成光谱观测，获得以每4%植被覆盖度步长变化的光谱反射率。如图中所示，第1子样方刈割后，观测得到96%覆盖度枯草光谱，第9子样方刈割后，观测得到64%覆盖度的枯草光谱数据。

2.2.2　枯草光谱观测

采用美国ASD公司的 Field Spec 4光谱仪进行枯草反射光谱的观测。该光谱仪观测范围350—2 500 nm。其中350—1 000 nm光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 000—2 500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。。

观测时严格选择晴天微风天气条件，所有观测均在11：00—16：00时段内展开并完成，并将探头尽量保持在草层上方80 cm处，单一目标单次观测光谱测量记录数设为10条/次，每20 min重新进行白板校准，以尽可能消除机器、风速等误差。对每次观测样方进行拍照，以备检查对照。

不同覆盖等级光谱样方观测时，以25个子样方中最中间子样方为第1子样方，然后依次向东、向南等次序顺时针旋转设定第2、3子样方直至第25子样方，子样方采样顺序见图1（b）。先观测未刈割样方光谱，得到100%覆盖度光谱反射率，然后自第1子样方至第25子样方，依次剪取子样方枯草并观测剪后枯草光谱。每次刈割时放置子样方标记框，以准确剪取对应子样方内枯草，光谱观测时则移除子样方标记框。逐一完成所有25个子样方反射光谱的测定，最终构成2个样方0—100%之间，以4%植被覆盖度为步长的不同等级覆盖度光谱观测数据序列。

2.2.3　枯草及裸土光谱观测数据序列

为对比鲜草与枯草光谱差异性，观测试验共在夏季牧草生长期和冬季枯草期分别开展1次。2016年8月9日，试验场围封时进行了2个样区各20样方共40个50 cm×50 cm标准样方的鲜草光谱观测。2016年11月12日—13日，进行了共40个标准样方枯草光谱的观测，以及两个25条以4%步长分布的不同覆盖度光谱数据序列。同时，在试验场周边区域选取较平坦开阔地域，以十字交叉法进行了4个样区的野外枯草光谱随机调查，共获取自然条件下有效枯草样方光谱观测数据60条。

此外，试验场及周边区域选取完全裸土、有植被结皮裸土等裸地样点3处，进行裸土反射光谱观测，共获得27条裸土光谱观测数据。

对获取的光谱数据，逐一进行数据质量检验，对异常值与无效值对照同步照片进行核对并予以剔除。由于冬季高寒环境下ASD仪器第3光栅工作异常次数多，1 800—2 500 nm波段的部分数据丢失，考虑1 800 nm以后植被响应敏感的波段较少，因此，本研究仅展示350—1 800 nm范围内观测数据。图2展示了样方1以4%植被覆盖度为间隔的三江源区隆宝地区高寒枯草光谱。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 玉树隆宝试验场2016年11月13日样方1野外高寒枯草不同覆盖度等级反射率光谱曲线

Fig.2 Reflectivity spectral curve of different cover grades of alpine dead grass in Yushu， November 13，2016

2.3　离散度分析

枯草的光谱曲线提供了目标地物的精细光谱信息，但存在信息相关性强、重合度大、不同覆盖等级间区分度小等问题。为了更好地筛选出区分度高、能有效识别不同覆盖程度的枯草敏感波段，采用计算离散度的方式衡量不同覆盖程度下枯草反射率光谱在同一波长的离散程度，通过离散度的大小定量区分不同波段对枯草覆盖度变化的敏感度。离散度通过极差（Extreme Difference，ED）处理实现，计算公式如下：

E d_{i} = A_{i j} - B_{i k}

(1)

其中： $E d_{i}$ 为25条不同覆盖度枯草光谱在波长为ｉ时的光谱反射率数据极差值； $A_{i j}$ 和 $B_{i k}$ 分别为25条光谱数据在波长ｉ时反射率值的最大值和最小值。

2.4　枯草指数归一化

通过枯草敏感波段的组合，构建可用于遥感监测的枯草指数（Dead Grass Vegetation Index，DGVI）。枯草指数的构建采用归一化^［31］方式，类似于NDVI（Normalized Difference Vegetation Index），以枯草敏感的高反射率波段与低反射率波段之差除以二者之和构建。DGVI归一化方式如下：

D G V I = \frac{(B a n d_{2} - B a n d_{1})}{(B a n d_{2} + B a n d_{1})}

(2)

其中：Band₂为枯草敏感的高反射率波段；Band₁为对枯草敏感或不敏感的低反射率波段。

由归一化构建的DGVI为无量纲指数，其值阈范围为（-1，1），其大小可指示枯草生物量或覆盖度的大小。

3 结果与讨论

3.1　高寒枯草光谱特征分析

3.1.1　枯草光谱特征

对两个样区鲜草与枯草所有有效样方光谱数据分别求平均值，并将调查得到的该区域裸地光谱数据求平均，得到鲜/枯草及裸地平均光谱曲线（见图3）。从图中可以明显看出，枯草光谱自350—1 350 nm波段呈明显的线性分布特征，其反射率从350 nm的近1.5%开始随着波长的增加而持续线性增长，至1 350 nm附近反射率达到最大值，约为38%。1 350—1 800 nm，枯草光谱呈现波段变化并大致维持在26%—37%之间，其波动特征主要体现了1 450 nm附近对水分敏感的吸收谷，反射率最低降至约26%，水分不敏感波段则维持在约30%以上。总体变化特征，突出表现在350—1 350 nm覆盖可见光、近红外及短波红外波段的显著线性分布特征，明显有别于绿色植被的典型变化特征。这与内蒙古东部地区枯落物光谱的近似线性分布特征相对应^［32］。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 2016年隆宝试验场高寒鲜草、枯草及裸土反射光谱多样本平均曲线

Fig.3 The average curve of alpine grass， withered grass and bare soil in 2016

3.1.2　鲜/枯草与裸地光谱差异性

图3中鲜草光谱反映了绿色植被最典型的特点，其光谱在550 nm附近的绿光波段有一个明显的反射峰，而在650 nm波段的红光吸收谷也非常清楚，760—1 300 nm反射率基本上维持在35%以上，不仅体现了绿色植被近红外波段高反射的典型特征，其中950 nm与1 200 nm波段的绿色植被弱水分吸收特征也清晰地表达了出来。1 450 nm附近的绿色植被的强吸收特征在鲜草光谱曲线上表现非常明显，吸收谷的光谱反射率从35%迅速下降至不足10%。

鲜枯草光谱的对比可以发现，因叶绿素损失殆尽枯草绿光波段的反射峰和红光的吸收谷已完全消失，且红光和近红外间的“红边”也不明显。枯草在可见光波段的线性分布，其绿光波段反射率约为鲜草的1.4倍，红光波段约为4.9倍。鲜草670—760 nm间的一阶导数求得的“红边”斜率达到了7.0，而枯草“红边”的斜率值仅为1.0。由于叶片栅栏组织与海绵组织等结构的破坏，近红外波段较一致的强反射特征在枯草光谱中也不复存在，代之以反射光谱在近红外波段的持续增加，直至1 350 nm波段附近达到与鲜草相近的水平。枯草对水分仍然存在明显的响应，但其反射率比鲜草高出2倍左右，表明水分的吸收效应明显偏弱。总体而言，枯草在可见光至近红外波段的植被特征基本丧失殆尽，鲜枯草波谱特征差异明显，仅在水分吸收波段保持了一定的相似。

枯草光谱与裸土光谱具有相近的变化特征，特别从可见光到近红外波段，其波谱特征差异仅表现在数量上的差别，表明难以仅通过光谱差异性准确区分二者。

由于枯草与鲜草间明显的光谱差异性，容易通过光谱及其组合方式实现区分。二者间主要差异反映在红光、近红外波段以及红边的大小和位置等方面。因此，利用1 350 nm和1 620 nm附近的高反射率与可见光波段的低反射特征进行枯草的识别是一个比较可靠的选择。

3.2　枯草敏感波段筛选

利用子样方测得的不同等级枯草光谱数据序列，进行枯草生物量或覆盖度变化敏感波段的筛选。图4展示了所有样本的反射光谱曲线，在350—1 800 nm波段，枯草反射率在大部分波段均对不同覆盖度作出了响应，说明枯草的多少与光谱反射率之间存在直接的联系。采用极差法进行不同波段枯草反射率区分度的分析，即：提取出样方中反射光谱的最大值与最小值，以二者的差值大小作为同一波长对枯草覆盖程度的最大响应范围，用以判断不同波长枯草响应的能力。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 2016年11月隆宝试验场枯草反射率光谱与离散度分布

Fig.4 Spectrum and dispersion distribution of Longbao grass test site in November 2016

由图4可以看出，总体上极差随着波长的增加而增大。枯草反射率极差在350 nm处最小，而在1 350、1 650和1 800 nm处为高值。说明在可见光波段的枯草反射率的变化较小、差别微小，而在1 350、1 650和1 800 nm处极差大，对于枯草生物量或覆盖度的响应明显。

综上分析，可以将可见光波段视为枯草不敏感波段，而中红外视为敏感波段。考虑MODIS卫星波段设置，可以将MODIS的波段5（1 230—1 250 nm）和波段6（1 628—1 652 nm）视为枯草敏感波段，而波段3（459—479 nm）视为不敏感波段。通过敏感波段与不敏感波段的归一化组合，来突出枯草对不同覆盖度的响应。

3.3　枯草植被指数建立

以MODIS卫星数据为例，根据式（2）进行DGVI的归一化构建。由于MODIS卫星中波段5（B5）和波段6（B6）对枯草不同覆盖度均呈敏感响应关系，因此分别以野外实测光谱数据中1 230—1 250 nm波段反射光谱平均值和1 628—1 652 nm反射光谱平均值指代MODIS影像中B5和B6，并分别将其视为公式（2）中Band₂波段，再以MODIS卫星的波段3（B3）指代公式（2）中的Band₁。分别通过B5与B3的归一化构成DGVI_5/3、以及B6与B3的归一化构成DGVI_6/3，对比讨论最佳的DGVI波段组合。

利用样区1的地面实测数据进行DGVI的构建，并以样区2为验证数据集。图5（a）与图5（b）为分别利用B5和B6与B3组合计算得到的DGVI与覆盖度的散点图。从图中可以看出，两种不同组合得到的枯草植被指数（DGVI）与覆盖度均呈显著相关关系，其相关系数均大于0.72，通过0.01的显著性检验水平。两个波段组合生成的DGVI与不同等级覆盖度的线性拟合R²分别达到了0.519 3和0.574 6。表明两个波段组合的DGVI对枯草均有很好的识别能力，所建的DGVI可用于枯草的监测和识别，且中红外的两个敏感波谱段均有较好的枯草识别敏感性和区分能力。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 枯草覆盖度预测模型及其估算结果。

Fig.5 The dead grass cover prediction models and estimates

将样区2的子样方数据分别代入由B5和B6构建的估算模型中。根据两个模型计算的散点图可以看出（图5（c）与图5（d）），其线性拟合R²分别为0.46和0.27。表明基于B5构建的DGVI具有更好的判识能力。而两个模型验证得到的均方根误差（RMSE）分别为0.38和0.76，进一步说明基于B5构建的模型具有更好的模拟能力。因此，通过B5与B3归一化方式构建的DGVI较适用于枯草监测。

由图5（c）发现，DGVI_6/3验证得到枯草覆盖度数值均为负值，模型适应值阈范围小且明显偏高。反映了由B6组合的模型估算能力有限，而由于作为验证数据的样区2生物量明显高于建模的样区1，还会导致由B6组合模型的误差被放大，且因样本生物量的明显差别出现估算负值。

3.4　植被指数枯草识别能力比较

利用样区1光谱数据，结合MODIS波段响应函数提取实测反射光谱中的可见光波段和近红外波段反射率值，分别计算野外实测枯草光谱的NDVI、RVI、SAVI和PVI值，对比这些已有植被指数枯草监测能力，验证所构建DGVI与已有植被指数在枯草监测应用中的优劣。

图6分别列出了计算得到的NDVI、RVl、SAVI和PVI估算值与不同覆盖度实测值之间的散点图。从图中各植被指数估算值与枯草覆盖度的线性拟合程度可以发现，SAVI（图6.b）的R²为0.41，且远大于其他植被指数，估算效果最好，其相关系数为0.65，通过了0.05的显著性检验水平。而其他3类植被指数的R²均小于0.20。说明在枯草监测中，除了较好考虑了土壤背景的SAVI外，已有的植被指数均难以较好识别枯草，以及区分覆盖程度的差别。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 不同植被指数覆盖度估算值与实测值散点图

Fig.6 Estimated coverage value and measured value scatter map of different vegetation indexes

图5（c）与图6（b）的对比表明，虽然SAVI对于枯草具有一定的识别能力，且其识别效果远优于其他常用植被指数，但其R²相比DGVI而言仍明显偏小。这表明DGVI不仅可用于枯草的判识，也远优于现有的各类植被指数。在枯草的实际监测应用中，特别是基于MODIS与FY等卫星数据的应用监测，难以利用现有的植被指数取得较好的枯草监测效果，采用本研究提出的DGVI指数是目前较对较优的一种选择。

3.5　DGVI枯草识别能力对比

收集2016年10月26日同步MODIS卫星数据，考虑卫星数据云量与该地区植被覆盖的地理分布情况，西北东南向设置覆盖隆宝野外试验场的卫星数据样带（图7（a）），计算得到基于MODIS影像的三江源区DGVI枯草遥感反演样带（图7（b））。从图中可以发现，样带内DGVI的值域范围在0—0.68间波动，东南部地区枯草覆盖度明显高于中部高山区域及西北部地区。而从图7（a）可以看出，枯草覆盖较低的区域，高山积雪区与高海拔低覆盖草地区域，这说明DGVI不仅具有很好的枯草识别能力，也具有较理想的其他地物区分能力。此外，从图7（b）能为图6也可以发现，DGVI值阈范围较广，高低覆盖度的数值变动范围远大于其他植被指数，这不仅反映了不同覆盖等级更好的区分能力，也体现了更好的高覆盖抗饱合能力。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 2016年10月26日三江源地区遥感影像样带和DGVI值分布图

Fig.7 Remote Sensing Image Band of Sanjiang Source Region and DGVI value distribution diagram on October 26，2016

4 结论

本研究重点分析枯草的光谱特征，通过对比枯草与鲜草光谱差异性，提出了一种针对枯草识别的新的植被指数，得到了以下结论：

（1）枯草光谱具有明显的独特性，在包含可见光和部分近红外的350—1 350 nm波段，枯草反射光谱呈显著的线性分布，线性拟合R²达到0.98。而在1 350—1 800 nm范围，1 450 nm附近水分敏感的特征虽然表现微弱，但仍保留了部分绿色植被的光谱特征。

（2）枯草与鲜草光谱存在显著差异，枯草完全丧失了红光强吸收、绿光强反射、760—1 350 nm波段的一致高反射的典型植被特征。红边等典型植被光谱特征的丧失，使得利用现有植被指数难以获得较好的枯草识别效果。枯草和裸土在350—1 350 nm具有相似的波谱特征，对枯草的准确遥感识别提出了挑战。

（3）通过实测数据验证，基于枯草光谱特征构建的枯草植被指数DGVI具有较好的枯草识别效果，模拟值与实测值相关系数达到0.68（P<0.05）。验证可知，基于MODIS卫星数据的波段5与波段3组合的DGVI在枯草识别中有最佳效果，不仅可用于枯草的判识，也优于现有的常用植被指数。

（4）然而，由于研究样区植被覆盖程度的不均匀，使得建模与验证样本的差异导致了验证结果的稳定性受到影响，未来的应用中仍需要更多地样本数据进行验证与优化。此外，研究在构建植被指数时是基于地面高光谱数据，文中将其作为宽波段数据进行使用。尽管在对地面光谱反射率数据进行了反射率校正处理，但由于卫星宽波段反射率与地面高光谱数据的反射率有较大的差异，因而，地面与卫星影像的指数范围之间有一定的差异性，如本文中的样本数据的指数值域范围明显小于影像。因此，对于将地面高光谱数据所构建的植被指数与卫星宽波段数据进行有效的结合使用还需进一步的研究。

（5）同时，研究采集的光谱数据具有一定的规律性，随着植被覆盖的减少，光谱反射率逐步上升。虽然，取得了良好的试验效果，但土壤背景对枯草反射率的影响是一个很大的干扰因素，使得光谱数据有一定的局限性。如土壤颜色、湿度、状态等，都会对地物光谱反射率造成一定的影响。因此，基于枯草光谱数据所构建的M-DGVI对其他类型的土壤背景下的枯草的适应性需要进一步的验证。为了解决此不足，后续计划对不同土壤背景下的枯草进行对比观测，增加数据样本数量和种类，用以增强指数的普适性。

本研究结果可用于高寒冬季枯草的遥感识别，也对非生长季植被遥感监测方法研究具有重要参考意义，对推动非生长季牧草甚至植被监测具有积极意义。由于在野外试验过程中仅观测了不同覆盖程度的光谱，没有进行牧草采样分析。受观测要素的限制，本文仅提供了一个枯草监测的可行性证据，对于实际应用中更关注的生物量、水分含量等其他关键参数的估算，还需要采取针对性的观测试验进行研究与分析。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Wang

Caie

， Huang

Mei

， Wang

Wenyin

， et al.

Characteristics of degraded plant community diversity and aboveground biomass changes along the elevational gradient in the alpine slope area of the Sanjiangyuan region

［J］. Ecological Journal， 2022，42（9）：3640-2655.