2016, Vol. 37
2.中国矿业大学 环境与测绘学院, 江苏 徐州 221116;
3.中国地质大学(北京) 地质调查院, 北京 100083
2.School of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China;
3.Institute of Geological Survey, China University of Geosciences
植被第一生产力(NPP)是生态系统功能状况的重要指标和碳循环的关键要素，可以反映气候变化和人类活动对陆地植被综合作用的结果.目前NPP估算的模型，主要包括三类：气候相关模型、过程模型和光能利用率模型.其中基于光能利用率的CASA模型简单实用，可以由遥感获得的FPAR直接监测NPP，成为一个很重要的发展方向.根据全球NPP的空间分布规律，对不同区域的光能有效率因子进行了修订和改进[1].国内已有许多学者对该CASA模型进行了修改并应用于藏北草原、黑河流域等的植被NPP估算，由于NOAA/AVHRR和MODIS数据时间分辨率高，时间序列较长，而且MODIS数据有一系列陆面参数产品，成为大尺度NPP遥感反演和动态监测的主要数据源[2].但在低分辨率遥感数据中，存在空间异质性和混合像元问题，当出现草地和灌木及林地等混合时，模拟结果会比实测数值大；当草地和退化草地及裸土等混合时，模拟结果会比实测数值小[3].中等分辨率数据则很好地解决了空间异质性问题，通过对土地覆盖类型进行分类甚至地貌分类，不断修正区域尺度的光能利用率，从空间尺度提高NPP估算精度[4]；但是中等分辨率数据无法保证每个月的可用数据，因此常常采用植被的一个生长季来代替全年的NPP.此外，大部分中等分辨率数据如Landsat，SPOT在波谱分辨率和辐射分辨率方面无法像MODIS数据获取多种地表生态参数，因此，利用中等分辨率估算NPP时，模型其他地面参数，尤其气候参数需要和遥感数据尺度保持一致[5].
随着高分辨率卫星的不断发射，能够清楚反映地物的精细特征，更好地解决了混合像元和空间异质性问题，为植被的精细定量反演提供了数据源.此外，只有地面实测值的覆盖范围达到像元尺度的时候，才可以和地面真实值进行验证[6]，所以目前大部分大尺度NPP监测结果只能与同类研究进行对比.高分辨率数据的反演结果可以作为地面实测数据和中、低分辨率遥感数据的联系纽带[7].但是高分辨率数据的较低重访周期和幅宽，昂贵的价格，限制了高分辨率数据在植被生态参数及NPP反演中的广泛应用.随着我国高分系列卫星的研制和不断发展，其中最先发射的高分一号卫星，多光谱数据空间分辨率为8 m，全色数据空间分辨率为2 m，4天一次的重访周期及卫星的连续性为高精度地面生态反演提供了遥感数据源.
目前大部分针对高分辨率数据在这一敏感区域的研究都集中在植被分类及通过统计样方来完成植被覆盖度和生物量的估测，还没有利用并评估国产卫星高分卫星数据应用于CASA等光能利用率模型估算NPP的潜力.本文选择干旱半干旱草原露天煤矿区，区内有优质草场、退化草场等不同类型的草地，空间异质性较强.研究区域范围不大，可以暂时忽略气候因素对NPP空间分布的影响，更多考虑水分指数和植被指数，保证了数据参数尺度的一致.选择生长季卫星数据来代替全年NPP，通过NDVI指数取值范围、光能利用率、水分指数等参数的修订，建立适合高分卫星数据的小尺度草地生态系统的生产力估算模型，利用野外同步测量数据及其他该地区的研究结果进行对比和验证，探讨国产卫星数据在草地生态系统及煤矿区环境遥感监测中的适用性，从而推动国产卫星在该地区的应用.
1 研究区概况与数据源 1.1 研究区概况伊敏露天矿位于内蒙古呼伦贝尔草原中部，占地面积为371 km2(图 1).区域气候为干旱半干旱气候，降水量主要集中在7~8月，占年降水量的75%.年均降水量大约在30 mL，矿区周围主要包括有围栏草场、退化草场、放牧草场及乔木草场等，分布有黄芥、羊草、黄花蒿、星毛委陵菜、针茅、铁杆蒿等植被类型.由于过度放牧及矿区持续开采的影响，该区域已经出现了草原退化及沙化.
|
图 1 研究区位置图(高分一号卫星RGB波段合成) Fig.1 Location of study area (RGB combination from Chinese GF-1 imagery) |
植被第一生产力遥感反演涉及到的气象数据(太阳辐射、降水量、气温等)，由距离研究区最近的气象站获得.2014年8月对研究区进行了野外生态调查，选择了包括围栏草场、放牧草场、退化草场等多个景观类型.共18个样地均匀分布于研究区，每一个样地内有5个1 m×1 m的样方，将样方内全部植物齐地面切割，将剪下的样品分别装入纸袋，并分别做好标记.然后去除样品中的碎石、石块等杂物，在65 ℃下烘干直至恒重后，用精度为1%的天平称重.最终碳含量的换算是将总生物量乘以系数0.45.通过计算5个样方的生物量获得样地内平均草本生物量, 同时记录描述样点周边的植被覆盖类型、土壤类型与地貌类型等环境特征.
本文采用的遥感数据源为高分一号于2014年7~9月拍摄的伊敏矿区的多光谱数据，通过草地生长季的数据来代替全年的数据，对NPP模型进行构建与估测.高分数据的预处理包括：辐射校正、大气校正与地理配准.利用高分一号的波谱响应函数，基于FLAAH模块完成影像的大气校正.大气校正后的影像以14个地面控制点为参照完成影像地理配准，地理配准精度小于一个像元.
2 CASA模型CASA (Carnegie-Ames-Stanford approach)模型是一个充分考虑环境条件和植被本身特征的光能利用率模型，其中的关键参数可以通过遥感数据反演获取，从而完成植被NPP模型的构建与估算[8].NPP的估算主要基于植被吸收的光合有效辐射(absorbed photosynthetically active radiation, APAR, MJ/m2)与光能转化率(ε, gC/MJ)两个变量：
|
(1) |
式中：t为时间；x为空间位置.APAR是通过计算太阳总辐射量(MJ/m2)与植被层对入射光合有效辐射的吸收比例(FPAR)：
|
(2) |
式中：FPAR可以由NDVI得到；常数0.5为植被所能利用的可见光波段的太阳有效辐射占太阳总辐射的比例；ε是指植被将吸收的光合有效辐射转化为有机碳的效率.Potter等表明在理想的条件下，植被对于光能有最大的利用率，但事实上，水分胁迫系数与温度会影响光能的利用率，其计算式为
|
(3) |
式中：Tε1(x, t)表示在低温和高温时，净第一性生产力的降低是由于植被内在的生化作用限制了光合作用；Tε2(x, t)为当环境温度由最适温度趋向高温和低温时，植被的光能转化率趋势慢慢减小；Wε(x, t)为水分胁迫影响系数，它表达的是植物所能利用的有效水分条件对光能转化率的影响；εmax为某一区域一年内NDVI值达到最高时月份的平均气温.
3 结果与分析 3.1 模型参数获取1)光合有效辐射参数的确定.归一化植被指数(NDVI)是被广泛应用的植被指数，常被用于表达植被的覆盖度及其生长状况等.可以通过近红外和可见光波段的反射率获取：NDVI=(NIR-RED)/(NIR+RED)，其中NIR与RED分别为近红外波段与红波段的反射值.FPAR的计算式为
|
(4) |
|
(5) |
式中，NDVI最大值根据分布累计概率95%确定，最小值根据分布累计概率5%确定.对生长季3个月份NDVI值进行最大合成，得到研究区最终全年的NDVI分布.
2)光能利用率的确定：光能利用率受温度和水分胁迫因子的影响，温度参数均从当地的气象站获取，水分胁迫因子则利用归一化水体指数(NDWI)计算获得.NDWI是由遥感数据绿波段和近红外波段反射率建立的指数：NDWI=(GREEN -NIR)/(GREEN + NIR)，其中NIR与GREEN分别为近红外波段与绿波段的反射值.NDWI能够有效反映植被冠层及地表的水分含量，尤其植被冠层受水分胁迫时，NDWI指数能及时地响应.此外，利用遥感数据反演得到的水分胁迫因子，可以更好地表达地表湿润程度空间异质性，并与植被有效光能率在空间尺度上保持一致.依据NDWI计算水分胁迫影响系数(Wε(x, t))[9]：
|
(6) |
式中，NDWImax(x, t)为每个像元在生长季的最大湿润指数.
3.2 反演结果及精度验证如图 2所示，研究区内的NPP在空间异质性较强，NPP低于100 gC/(m2·a)区域出现在矿区内部及距离矿区1 km左右区域.而在河流两岸分布为灌木和林地等植被生长较为茂盛的区域，NPP高于500 gC/(m2·a).典型草甸草原区域NPP高于300 gC/(m2·a)，放牧区域NPP在200~300 gC/(m2·a)之间.如表 1所示，Zhou等[10]利用MODIS数据，通过CASA模型动态监测30年内中国北方草原的NPP，得出呼伦贝尔草原地区的平均NPP值为200 gC/(m2·a)，对于植被覆盖度较高的区域可以达到300 gC/(m2·a)，而由于过度放牧导致的土地沙化退化的区域，NPP值在50~100 gC/(m2·a)之间.根据全国草地生态服务功能价值遥感估算结果，呼伦贝尔地区的草地生产力范围为300~500 gC/(m2·a)[11].从区域尺度和这些研究结果对比可知，本研究的反演结果在合理范围内，而且能够反映出不同退化程度及围栏草地生产力的空间分布状态.
|
图 2 2014年草地NPP反演结果 Fig.2 Inversive results for NPP distributions of 2014 |
|
表 1 呼伦贝尔草原CASA模型NPP估算结果 Table 1 Estimated NPP of Hulunbuir glassland by CASA model |
根据野外调查样方数据对遥感反演结果进行验证，如图 3所示，基于CASA模型反演得到NPP与野外调查样地的NPP之间存在显著相关性，拟合度达到0.94，均方差为20.59.
|
图 3 实地测量与反演结果线性回归验证 Fig.3 Linear regression calibration using field observed NPP and modeling NPP |
通过对比实地样方数据和遥感监测结果(表 2)，区内NPP异质性受到不同景观格局的影响，自然因素包括地形、水域分布，人为因素包括采矿、放牧、采沙等.区域内围栏、放牧及退化的草甸草原NPP与影像获取一致性较好，尤其在退化草原，包括砖厂附近、矿区内部NPP小于200 gC/(m2·a)，观测值与反演值差异小于10 gC/(m2·a).NPP大于200 gC/(m2·a)区域多为平地围栏，矿区西部的一级阶地坡脚、坡肩处，观测值与反演值差异较大，大于10 gC/(m2·a).
|
|
表 2 实地观测样方与遥感监测NPP结果 Table 2 NPP results from field observation and remote sensing modeling |
1)改进的CASA模型估测草地NPP，与实测地上干物质量进行比较，两者的相关度较高，相关系数达到0.94，建立的方法对小尺度草地NPP估算可行.
2)利用高分一号8 m空间分辨率的多光谱数据得到的NDVI的精度要高于MODIS等数据，FPAR值和真实值更加接近.
3)大尺度CASA模型应用中，气候条件是影响NPP空间格局变化的主要原因，因此太阳辐射量及温度等值均通过插值成空间数据来和遥感获取的其他参数保持一致的空间尺度，但是小尺度NPP反演中，NPP的变化主要受植被的状态和地表的水分甚至微地形的影响，因此气候参数均以最近的气象站获取的数据为主.
| [1] | Potter C, Klooster S, Myneni R, et al. Continental-scale comparisons of terrestrial carbon sinks estimated from satellite data and ecosystem modeling 1982-1998[J]. Global and Planetary Change , 2003, 39 (3/4) : 201–213. |
| [2] | Turner D P, Ritts W D, Cohen W B, et al. Evaluation of MODIS NPP and GPP products across multiple biomes[J]. Remote Sensing of Environment , 2006, 102 (3/4) : 282–292. |
| [3] |
吴小丹, 闻建光, 肖青, 等.
关键陆表参数遥感产品真实性检验方法研究进展[J]. 遥感学报 , 2015, 19 (1) : 75–92.
( Wu Xiao-dan, Wen Jian-guang, Xiao Qing, et al. Advances in validation methods for remote sensing products of land surface parameters[J]. Journal of Remote Sensing , 2015, 19 (1) : 75–92. ) |
| [4] | Huang C Y, Asner G P, Barger N N. Modeling regional variation in net primary production of pinyon-juniper ecosystems[J]. Ecological Modeling , 2012, 227 : 82–92. DOI:10.1016/j.ecolmodel.2011.12.016 |
| [5] | Prieto-Blanco A, North P R J, Barnsley M J, et al. Satellite-driven modeling of net primary productivity (NPP):theoretical analysis[J]. Remote Sensing of Environment , 2009, 113 (1) : 137–147. DOI:10.1016/j.rse.2008.09.002 |
| [6] | Friedl M A, Michaelsen J, Davis F W, et al. Estimating grassland biomass and leaf-area index using ground and satellite data[J]. International Journal of Remote Sensing , 1994, 15 (7) : 1401–1420. DOI:10.1080/01431169408954174 |
| [7] | Dusseux P, Hubert-Moy L, Corpetti T, et al. Evaluation of SPOT imagery for the estimation of grassland biomass[J]. International Journal of Applied Earth Observation and Geoinformation , 2015, 38 : 72–77. DOI:10.1016/j.jag.2014.12.003 |
| [8] | Potter C S, Randerson J T, Field C B, et al. Terrestrial ecosystem production:a process model based on global satellite and surface data[J]. Global Biogeochemical Cycles , 1993, 7 (4) : 811–841. DOI:10.1029/93GB02725 |
| [9] | Xiao X, Zhang Q, Saleska S, et al. Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest[J]. Remote Sensing of Environment , 2005, 94 (1) : 105–122. DOI:10.1016/j.rse.2004.08.015 |
| [10] | Zhou W, Gang C, Zhou L, et al. Dynamic of grassland vegetation degradation and its quantitative assessment in the northwest China[J]. Acta Oecologica , 2014, 55 (1) : 86–96. |
| [11] |
姜立鹏, 覃志豪, 谢雯, 等.
中国草地生态系统服务功能价值遥感估算研究[J]. 自然资源学报 , 2007, 22 (2) : 161–170.
( Jiang Li-peng, Qin Zhi-hao, Xie Wen, et al. Estimation of grassland ecosystem service value of China using remote sensing data[J]. Journal of Natural Resources , 2007, 22 (2) : 161–170. ) |