柴國奇， 王靜璞， 王光鎮(zhèn)， 韓柳， 王周龍

(魯東大學(xué)資源與環(huán)境工程學(xué)院，煙臺(tái) 264025)

0 引言

草地作為全球分布最廣的植被類型之一，在陸地生態(tài)系統(tǒng)碳循環(huán)中起著重要作用[1]。從功能角度看，草地植被可以分為光合植被(photosynthetic vegetation，PV)和非光合植被(non-photosynthetic vegetation，NPV)2類，其中NPV主要指枯草、枯葉、枯枝、枯干和凋落物等[2]。NPV作為草原生態(tài)系統(tǒng)的重要組成部分，是衡量地表植被覆蓋狀況的重要參數(shù)[3-4]。NPV不僅能夠減緩地表徑流和蒸發(fā)，保持水土和營養(yǎng)物質(zhì)，增加土壤水分滲透和有機(jī)質(zhì)含量，提高土壤濕度和溫度，改善土壤質(zhì)量[5-7]，而且能影響生態(tài)系統(tǒng)的碳、水和能量的流動(dòng)與循環(huán)[8]。另外，NPV在火災(zāi)風(fēng)險(xiǎn)和頻率、風(fēng)和水侵蝕等方面也起著關(guān)鍵作用[9]。因此，及時(shí)準(zhǔn)確地掌握草原非光合植被覆蓋度(fractional cover of non-photosynthetic vegetation，fNPV)信息對(duì)草地資源的合理利用以及草原生態(tài)系統(tǒng)的監(jiān)測(cè)和保護(hù)具有重要的應(yīng)用價(jià)值。

遙感技術(shù)的發(fā)展為大范圍快速、準(zhǔn)確地獲取fNPV信息以及進(jìn)行連續(xù)觀測(cè)提供了有效的技術(shù)手段。近幾十a(chǎn)來，國內(nèi)外學(xué)者針對(duì)fNPV的遙感估算方法已開展了不少研究，并取得了一定的研究進(jìn)展[2-5,10-15]。Daughtry等[5]針對(duì)NPV在2 100 nm附近波段的吸收特征構(gòu)建的高光譜纖維素吸收指數(shù)(cellulose absorption index，CAI)表現(xiàn)較好，其與fNPV顯著相關(guān)(決定系數(shù)R2=0.89)。但由于高光譜數(shù)據(jù)難以獲取，無法滿足大規(guī)模估算fNPV的需求[16-17]，如EO-1 Hyperion傳感器已超期運(yùn)行且幅寬僅有7.5 km，面臨著大范圍長期監(jiān)測(cè)的適用性難題[18-19]。因此，研究者們開始挖掘多光譜數(shù)據(jù)對(duì)fNPV的估算潛力，如利用TM數(shù)據(jù)構(gòu)建歸一化差異指數(shù)(normalized difference index，NDI)[10]、歸一化差異耕作指數(shù)(normalized difference tillage index，NDTI)[20]以及歸一化差異衰老植被指數(shù)(normalized difference senescent vegetation index，NDSVI)[21]等來反演fNPV，然而這些指數(shù)容易受到土壤背景的影響，且不適用于草原地區(qū)PV，NPV和裸土(bare soil，BS)3種組分都存在情況下的fNPV估算[3,11]。因此Guerschman等[2]提出了基于MODIS數(shù)據(jù)B7和B6波段的比值指數(shù)(shortwave infrared ratio，SWIR32)，結(jié)合歸一化植被指數(shù)(normalized difference vegetation index，NDVI)構(gòu)建三元線性混合模型比較準(zhǔn)確地估算了澳大利亞草原地區(qū)的fNPV； Cao等[11]提出基于MODIS波段的干枯燃料指數(shù)(dead fuel index，DFI)估算PV，NPV和BS這3種組分混合情況下的fNPV，結(jié)果表明DFI指數(shù)與fNPV相關(guān)性較好(R2=0.95)。但Cao等[11]的研究中混合場(chǎng)景覆蓋度是利用端元平均光譜通過光譜混合模型模擬得到的，并不是真實(shí)的混合場(chǎng)景覆蓋度，因此DFI指數(shù)表征野外真實(shí)混合場(chǎng)景fNPV的有效性有待進(jìn)一步驗(yàn)證。

MODIS數(shù)據(jù)具備大范圍、高時(shí)效、低成本等優(yōu)勢(shì)，已成為草地資源監(jiān)測(cè)的重要數(shù)據(jù)源[1,22]。由于大多數(shù)基于MODIS數(shù)據(jù)構(gòu)建的非光合植被指數(shù)(non-photosynthetic vegetation indices，NPVIs)相對(duì)較新，目前將這些指數(shù)應(yīng)用于草原地區(qū)開展fNPV大范圍監(jiān)測(cè)的研究還較少。為此，本文選取錫林郭勒典型草原為研究區(qū)，以MCD43A4產(chǎn)品為數(shù)據(jù)源，比較基于MODIS數(shù)據(jù)構(gòu)建的幾種NPVIs指數(shù)與fNPV之間的相關(guān)關(guān)系，建立NPVIs指數(shù)反演fNPV模型并進(jìn)行精度驗(yàn)證，以期能夠找到適用于典型草原地區(qū)大范圍應(yīng)用的fNPV監(jiān)測(cè)方法。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于內(nèi)蒙古自治區(qū)錫林郭勒盟(E113°30′～120°00′，N43°15′～46°41′)，包含錫林浩特市、東烏珠穆沁旗、西烏珠穆沁旗和阿巴嘎旗(圖1)，海拔在800～1 400 m之間。

圖1 研究區(qū)及實(shí)測(cè)樣地位置Fig.1 Study area and sampling location

錫林郭勒草原屬于中溫帶半干旱大陸性季風(fēng)氣候區(qū)，四季分明，氣溫偏低，年平均氣溫0～3 ℃，無霜期90～120 d； 雨季短促，年平均降水量為295 mm，由東南向西北遞減，主要集中在夏季和秋季。研究區(qū)地貌以波狀高平原為主，由東南向西北方向傾斜，東、南部為大興安嶺和陰山山脈延伸余脈的交錯(cuò)地段； 西、北部地形平坦，為高原草場(chǎng)； 土壤以風(fēng)沙土為主，部分地區(qū)有栗鈣土、粽鈣土； 地帶性植被由草甸草原向典型草原、荒漠草原過渡，植被群落中主要有羊草、大針茅、克氏針茅和蒿類(冷蒿和變蒿)等。

1.2 野外數(shù)據(jù)獲取

2017年9月28日—10月3日在研究區(qū)內(nèi)開展了野外地面觀測(cè)實(shí)驗(yàn)。此時(shí)正處于植被黃枯期，采集的數(shù)據(jù)為實(shí)測(cè)樣地PV，NPV和BS覆蓋度數(shù)據(jù)。本次實(shí)驗(yàn)共獲得49個(gè)樣地?cái)?shù)據(jù)(圖1)，具體設(shè)置方法為： 首先在研究區(qū)相對(duì)平坦均質(zhì)的地區(qū)選擇一個(gè)500 m×500 m大小的樣地，對(duì)樣地點(diǎn)編號(hào)并在樣地中心通過手持全球定位系統(tǒng)(global positioning system,GPS)記錄相應(yīng)的地理位置信息以及樣地植被情況和地貌特征； 其后在每個(gè)樣地內(nèi)布設(shè)3～5個(gè)0.5 m×0.5 m的小樣方，取所有小樣方植被覆蓋度的平均值作為該樣地最終的植被覆蓋度。與此同時(shí)，在樣地中心布設(shè)一個(gè)20 m×20 m的大樣方，用于與較高空間分辨率影像對(duì)應(yīng)。每個(gè)0.5 m×0.5 m小樣方植被覆蓋度測(cè)算采用照相法[23]，利用數(shù)碼相機(jī)于樣方中心點(diǎn)正上方1.5 m處垂直拍攝2張照片，記錄每個(gè)小樣方對(duì)應(yīng)的照片編號(hào)以及樣方內(nèi)植被信息。

在測(cè)算小樣方植被覆蓋度前，首先通過ENVI5.3軟件切除照片中非樣方部分。照片剩余樣方部分用于進(jìn)行植被覆蓋度的測(cè)算，根據(jù)照片的RGB值采集PV，NPV和BS這3類地物的訓(xùn)練樣本(陰影劃分為BS類別)； 然后利用監(jiān)督分類中的最大似然分類法(maximum likelihood classification，MLC)對(duì)RGB照片進(jìn)行分類，并結(jié)合目視解譯方法判定分類結(jié)果的精度，最后根據(jù)NPV的像元數(shù)量統(tǒng)計(jì)出各個(gè)樣方的fNPV，取2次統(tǒng)計(jì)結(jié)果的平均值作為該樣方最終的植被覆蓋度[13]。

1.3 遙感影像獲取及其預(yù)處理

1.3.1 MODIS數(shù)據(jù)

MODIS數(shù)據(jù)采用經(jīng)過雙向反射分布函數(shù)(bidirectional reflectance distribution function，BRDF)校正處理為天頂方向觀測(cè)的地表反射率(nadir BRDF adjusted reflectance，NBAR)產(chǎn)品數(shù)據(jù)MCD43A4(V006)，NBAR使用16 d內(nèi)的數(shù)據(jù)來計(jì)算BRDF效應(yīng)并對(duì)反射率數(shù)據(jù)進(jìn)行歸一化處理。MCD43A4(V006)提供了包括可見光、近紅外和短波紅外的B1—B7波段每日柵格化L3級(jí)數(shù)據(jù)產(chǎn)品，投影為正弦曲線投影，空間分辨率為500 m。通過LP DAAC網(wǎng)站(https: //lpdaac.usgs.gov)獲取到研究區(qū)2017年9月30日無云覆蓋的MCD43A4產(chǎn)品數(shù)據(jù)。

MCD43A4產(chǎn)品已經(jīng)過幾何精糾正、輻射定標(biāo)和大氣校正等處理，因此僅需對(duì)數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換、圖像拼接與裁剪處理即可。具體處理步驟如下： 首先，利用MRT (MODIS reprojection tools)工具將下載的數(shù)據(jù)進(jìn)行投影轉(zhuǎn)換，將地圖投影轉(zhuǎn)換為WGS 84橢球的Albers Conical Equal Area投影，同時(shí)完成影像的拼接和重采樣； 然后，通過ENVI 5.3軟件利用研究區(qū)邊界矢量數(shù)據(jù)裁剪出研究區(qū)范圍； 最后，采用閾值法對(duì)影像中水體像元進(jìn)行掩模處理[24]。

1.3.2 Landsat8 OLI數(shù)據(jù)

Landsat8 OLI數(shù)據(jù)從美國地質(zhì)調(diào)查局網(wǎng)站下載(https: //glovis.usgs.gov)，獲取時(shí)間為2017年10月5日，研究區(qū)內(nèi)基本無云。由于Landsat8 OLI數(shù)據(jù)已經(jīng)過幾何糾正，因此只需對(duì)其進(jìn)行輻射定標(biāo)和大氣校正即可。影像預(yù)處理主要利用ENVI 5.3軟件，采用OLI傳感器的輻射定標(biāo)參數(shù)對(duì)原始影像進(jìn)行輻射定標(biāo)，然后通過FLAASH模型對(duì)影像進(jìn)行大氣校正，最終得到地表真實(shí)反射率。此外，為了去除水體對(duì)指數(shù)計(jì)算的影響，采用水體指數(shù)法對(duì)影像上的水體進(jìn)行掩模處理。

2 研究方法

2.1 NPVIs

2.1.1 基于等效于TM的MODIS波段構(gòu)建的指數(shù)

目前，常用的NPVIs大多數(shù)基于TM影像構(gòu)建且多為NDI[25]，如NDI5，NDI7，NDTI和NDSVI等指數(shù)。而在可見光—近紅外—短波紅外波段(400～2 500 nm)范圍內(nèi)，MODIS的B1，B2，B3，B4，B6，B7波段分別與Landsat5 TM的B3，B4，B1，B2，B5，B7波段對(duì)應(yīng)。已有研究表明，基于不同TM波段構(gòu)建的NDI5，NDI7，NDTI，NDSVI及土壤耕作指數(shù)(soil tillage index，STI)同樣適用于等效的MODIS波段[19]，計(jì)算公式分別為

NDI5=(B2-B6)/(B2+B6)，

(1)

NDI7=(B2-B7)/(B2+B7)，

(2)

NDTI=(B6-B7)/(B6+B7)，

(3)

NDSVI=(B6-B1)/(B6+B1)，

(4)

STI=B6/B7，

(5)

式中B1，B2，B6和B7分別為MODIS數(shù)據(jù)B1，B2，B6和B7波段的反射率。

2.1.2 基于MODIS波段構(gòu)建的指數(shù)

DFI與SWIR32指數(shù)[2,11]計(jì)算公式分別為

(6)

(7)

其中，為了擴(kuò)大DFI差異性，將DFI值擴(kuò)大了100倍。

利用ENVI5.3軟件中的band math工具根據(jù)式(1)—(7)對(duì)各個(gè)NPVIs指數(shù)進(jìn)行波段組合計(jì)算。在ArcGIS10.2軟件中利用地面實(shí)測(cè)樣地經(jīng)緯度信息提取各樣地相對(duì)應(yīng)的NPVIs指數(shù)值。

2.2 模型建立與驗(yàn)證

2.2.1 相關(guān)分析

將提取的NPVIs指數(shù)的計(jì)算值與fNPV實(shí)測(cè)值進(jìn)行相關(guān)性分析，檢驗(yàn)二者之間關(guān)系的相關(guān)程度，通過差異顯著性選擇相關(guān)性較好的NPVIs指數(shù)用來建立遙感估算模型。本研究利用SPSS統(tǒng)計(jì)軟件進(jìn)行相關(guān)性分析，再根據(jù)結(jié)果分析篩選最佳估算模型。

2.2.2 模型建立與驗(yàn)證

對(duì)49個(gè)樣地的fNPV實(shí)測(cè)值從大到小排列后，按照隔二取一的模式選取建模樣本(33個(gè))與驗(yàn)證樣本(16個(gè))； 然后采用線性回歸分析方法，建立以NPVIs指數(shù)為自變量和fNPV實(shí)測(cè)值為因變量的遙感估算模型。模型驗(yàn)證選用R2、均方根誤差(root mean square error，RMSE)和相對(duì)誤差(relative error，RE)作為評(píng)價(jià)指標(biāo)，R2越大、RMSE和RE越小，說明fNPV估算模型驗(yàn)證結(jié)果越好。其計(jì)算公式分別為

(8)

(9)

2.2.3 最優(yōu)模型的穩(wěn)定性驗(yàn)證

基于MODIS數(shù)據(jù)的fNPV估算模型穩(wěn)定性驗(yàn)證的思路是利用線性回歸方法建立較高空間分辨率的影像數(shù)據(jù)(Landsat8 OLI)和地面實(shí)測(cè)fNPV (20 m×20 m大樣方)的關(guān)系，進(jìn)而得到較高空間分辨率的fNPV分布結(jié)果； 再以此為基礎(chǔ)，通過ENVI5.3軟件將較高空間分辨率的數(shù)據(jù)按照像元簡單平均的重采樣方式尺度上推到MODIS數(shù)據(jù)500 m的空間分辨率[26-27]； 最后隨機(jī)布設(shè)驗(yàn)證點(diǎn)，進(jìn)行對(duì)比分析。另外，雖然Landsat8 OLI空間分辨率30 m略大于20 m大樣方，但由于樣方設(shè)置在相對(duì)均勻的區(qū)域，所以這種差別基本不會(huì)在fNPV估算中造成影響； 本文選用Landsat8 OLI數(shù)據(jù)估算fNPV適用性較好的NDTIOLI指數(shù)[14]，計(jì)算公式為

(10)

式中B6OLI和B7OLI分別為Landsat8 OLI數(shù)據(jù)B6和B7波段的反射率。

3 結(jié)果與分析

3.1 NPVIs指數(shù)與fNPV的相關(guān)性

本研究對(duì)選擇的7種NPVIs指數(shù)DFI，SWIR32，STI，NDTI，NDI7，NDI5，NDSVI及研究區(qū)內(nèi)49個(gè)樣地的fNPV實(shí)測(cè)值進(jìn)行相關(guān)性分析，結(jié)果如表1所示。NPVIs指數(shù)與研究區(qū)fNPV實(shí)測(cè)值之間的相關(guān)分析中除了NDI5和NDSVI相關(guān)性相對(duì)較差之外，其余5個(gè)指數(shù)與fNPV實(shí)測(cè)值均存在著較好的相關(guān)性，相關(guān)性系數(shù)R絕對(duì)值均大于0.64，達(dá)到極顯著相關(guān)水平(P<0.01)。其中DFI的相關(guān)性最好，R可達(dá)0.77； SWIR32次之，R為-0.72； NDI7相關(guān)性較低，R僅為0.64。DFI，SWIR32和NDTI與fNPV實(shí)測(cè)值的高相關(guān)性表明，利用NPVIs指數(shù)構(gòu)建典型草原地區(qū)fNPV估算模型是基本可行的。

表1 NPVIs指數(shù)與fNPV實(shí)測(cè)值的相關(guān)性Tab.1 Correlation between NPVIs and fNPV

3.2 NPVIs指數(shù)構(gòu)建fNPV反演模型

3.2.1 模型構(gòu)建

采用線性回歸分析方法，將遙感影像提取的NPVIs指數(shù)(DFI，STI，NDTI，NDI7和SWIR32)與研究區(qū)33個(gè)建模樣本的fNPV實(shí)測(cè)值進(jìn)行模型構(gòu)建(表2)。由于NDI5和NDSVI與fNPV實(shí)測(cè)值的相關(guān)性相對(duì)較差，故在建立模型時(shí)去除。

表2 NPVIs指數(shù)與fNPV之間的反演模型Tab.2 Inversion models of non-photosyntheticvegetation index and fNPV

從表2可知，5種NPVIs指數(shù)與fNPV實(shí)測(cè)值所建立的線性回歸模型均能通過極顯著性相關(guān)水平(P<0.01)的F檢驗(yàn)，R2在0.42～0.57之間。5種NPVIs中，DFI反演模型的擬合效果最好，R2為0.57； 其次是SWIR32指數(shù)； STI，NDTI以及NDI7指數(shù)R2均小于0.50，且都與DFI差距較大，其中NDI7的擬合效果較不理想，R2僅為0.42。通過各NPVIs指數(shù)與fNPV實(shí)測(cè)值間的相關(guān)系數(shù)及反演模型的擬合R2可以看出，相比于其他幾種指數(shù)，DFI指數(shù)反演模型的擬合效果更好，能夠有效模擬fNPV的變化規(guī)律。

3.2.2 模型精度評(píng)價(jià)

利用野外同期實(shí)測(cè)樣地的另外16個(gè)驗(yàn)證樣本作為實(shí)測(cè)數(shù)據(jù)與各NPVIs指數(shù)反演模型得到的fNPV估算結(jié)果進(jìn)行比較，評(píng)價(jià)不同NPVIs反演模型的估算精度，檢驗(yàn)不同模型在典型草原地區(qū)的適用性(表3)。

從表3中可以看出，fNPV估算模型中利用DFI指數(shù)反演模型得到的估測(cè)值和實(shí)測(cè)值相關(guān)性最好，R2為0.63，RMSE與RE在5種NPVIs指數(shù)中也是最小的，RE為26.73%； SWIR32的估算效果稍次于DFI，RE為29.83%； NDTI介于SWIR32與STI之間，其RMSE與RE也均介于SWIR32與STI之間； NDI7指數(shù)的效果最差，其誤差也較大，RE為34.69%。

各NPVIs指數(shù)反演模型的預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖如圖2所示。從圖2中可以看出SWIR32，NDTI，STI及NDI7指數(shù)的反演模型高估了fNPV的低值部分，預(yù)測(cè)值位于Y=X線的上方較多，尤其是NDI7估算模型高估現(xiàn)象最為嚴(yán)重。從散點(diǎn)圖相關(guān)方程式可知，DFI指數(shù)斜率更接近于1，且R2較大，其估算結(jié)果比較接近實(shí)測(cè)值。通過比較分析驗(yàn)證模型的R2和斜率，總體上看DFI指數(shù)反演模型(R2=0.63，RMSE=0.098 7，RE=26.73%)的估算效果優(yōu)于其他4種NPVIs指數(shù)，fNPV預(yù)測(cè)值和實(shí)測(cè)值比較接近于Y=X線附近，這說明該模型具有較好的適用性，在典型草原地區(qū)fNPV估算方面更具優(yōu)勢(shì)，能夠滿足估算的需要。

(a) DFI指數(shù) (b) SWIR32指數(shù) (c) NDTI指數(shù)

(d) STI指數(shù) (e) NDI7指數(shù)

圖2 不同fNPV估算模型預(yù)測(cè)值與實(shí)測(cè)值散點(diǎn)圖

Fig.2ScatterplotsofdifferentfNPVestimatedmodelsbetweenpredictedvalueandmeasuredvalue

3.3 最優(yōu)NPVIs指數(shù)反演fNPV模型的穩(wěn)定性驗(yàn)證

通過獲得的2017年10月5日Landsat8 OLI影像提取出NDTIOLI指數(shù)并與fNPV實(shí)測(cè)值(20 m×20 m大樣方)進(jìn)行回歸分析，其擬合R2為0.58(P<0.01)，RMSE為0.092 9，表明該模型擬合程度較高，估算誤差較小，可保證Landsat8 OLI估算fNPV的準(zhǔn)確性。

為進(jìn)一步驗(yàn)證最優(yōu)反演模型的穩(wěn)定性，采用NDTIOLI指數(shù)回歸模型計(jì)算得到Landsat8 OLI(30 m空間分辨率)的fNPV并將尺度上推到500 m空間分辨率； 隨機(jī)布設(shè)50個(gè)驗(yàn)證點(diǎn)，將尺度一致的OLI-fNPV與DFI指數(shù)反演fNPV模型的估算結(jié)果MODIS-fNPV進(jìn)行對(duì)比分析(圖3)。

圖3 研究區(qū)OLI-fNPV與MODIS-fNPV對(duì)比Fig.3 Comparison between OLI-fNPV and MODIS-fNPV

從散點(diǎn)圖可以看出散點(diǎn)均勻分布在Y=X線附近，誤差比較小，說明OLI-fNPV與MODIS-fNPV具有較好的一致性，進(jìn)一步表明DFI指數(shù)反演fNPV模型的穩(wěn)定性較好。

3.4 fNPV的空間分布特征

通過上述分析，DFI指數(shù)反演fNPV模型在研究區(qū)估算精度最高且穩(wěn)定性較好。因此，利用其與fNPV間的線性回歸模型進(jìn)行反演，即

fNPV=0.048 7DFI-0.188 3，

(11)

式中fNPV為fNPV預(yù)測(cè)值。

該模型R2為0.57。研究區(qū)2017年9月30日的fNPV空間分布如圖4所示。

圖4 研究區(qū)fNPV分布Fig.4 Distribution of fNPV in study area

從圖4中可以看出9月末fNPV總體的分布特征與本次野外調(diào)查基本一致，從西南到東北fNPV值逐漸增大，整體呈現(xiàn)東北高西南低的趨勢(shì)。分級(jí)統(tǒng)計(jì)典型草原地區(qū)的fNPV(表4)，主要介于(0.4，0.6]之間，像元個(gè)數(shù)大約占研究區(qū)的44.61%，這些像元主要分布在降水較多的東部； 而在降水相對(duì)較少的西部，大部分地區(qū)小于0.2。

表4 2017年9月30日各個(gè)fNPV等級(jí)所占百分比Tab.4 Area percent of each fNPV grade on Sep.30,2017

4 討論

4.1 不同NPVIs指數(shù)與fNPV間相關(guān)性差異

本研究探討了幾種由MODIS多光譜數(shù)據(jù)提取的NPVIs指數(shù)對(duì)典型草原地區(qū)fNPV的監(jiān)測(cè)效果。研究表明，常用的遙感估算模型中NPVIs指數(shù)與fNPV實(shí)測(cè)值的相關(guān)性均達(dá)到顯著相關(guān)水平，相關(guān)性由大到小為： DFI>SWIR32>NDTI>STI>NDI7>NDI5>NDSVI。NDI指數(shù)雖然與fNPV具有線性關(guān)系，但受BS背景的影響較大[10]； NDTI指數(shù)能夠增強(qiáng)NPV與BS的差異，具有較好的穩(wěn)定性[14,28]，但容易受到PV的影響，從而掩蓋了NPV的信息[29]； SWIR32與STI同樣受PV的干擾較大[19]； DFI指數(shù)的表現(xiàn)優(yōu)于NDI，NDTI，STI，SWIR32以及NDSVI等指數(shù)，原因在于DFI相較于其他幾種指數(shù)利用了更多的波段(B1，B2，B6和B7)參與運(yùn)算，一定程度上減少了BS背景效應(yīng)的影響，提高了估算精度； 并且DFI指數(shù)是基于PV，NPV和BS這3種組分都存在的條件下建立的，能夠較準(zhǔn)確估算PV，NPV以及BS這3種組分混合情況下草原地區(qū)的fNPV[11]。

4.2 最優(yōu)反演fNPV模型選擇

通過線性回歸分析方法對(duì)錫林郭勒典型草原地區(qū)建立了一系列NPVIs指數(shù)反演fNPV模型，其中DFI指數(shù)反演模型精度較高(R2=0.63,RMSE=0.098 7)，RE僅為26.73%。這與Cao等[30]基于MODIS09GA建立的草原地區(qū)反演模型研究結(jié)果相似，但仍存在一些差異，需要進(jìn)一步研究。NDI，NDTI，STI以及SWIR32指數(shù)用于本研究區(qū)估算結(jié)果并不理想，主要原因在于這幾種指數(shù)僅基于除PV以外的2種組分(NPV和BS)創(chuàng)建，或受BS背景影響大或受PV的干擾嚴(yán)重，限制了其在NPV，PV和BS這3種組分混合情況下的應(yīng)用[31]。因此，選擇DFI指數(shù)用于草原地區(qū)最優(yōu)fNPV估算模型的構(gòu)建。

DFI指數(shù)由Cao等[11]基于MODIS數(shù)據(jù)波段最先提出，用以估算PV，NPV和BS這3種組分混合情況下的fNPV，但是目前國內(nèi)外利用該指數(shù)直接與MODIS影像構(gòu)建經(jīng)驗(yàn)?zāi)Ｐ凸浪鉬NPV還鮮有研究。本次研究證明了基于MODIS數(shù)據(jù)DFI指數(shù)能夠有效估算典型草原地區(qū)的fNPV，并且精度較高。因此，借助于MODIS數(shù)據(jù)大范圍監(jiān)測(cè)、高時(shí)間分辨率的優(yōu)勢(shì)有必要進(jìn)一步探究DFI用于fNPV時(shí)空動(dòng)態(tài)變化監(jiān)測(cè)的能力。

4.3 fNPV估算的復(fù)雜性和誤差來源

利用遙感估算fNPV受到眾多外部因素的影響，如水分吸收特征幾乎能夠完全掩蓋NPV的光譜特征[19]。此外，不同BS類型、地表濕度和有機(jī)質(zhì)含量等因素均影響NPV估算結(jié)果[25,32]。因此，遙感估算fNPV具有復(fù)雜性，需要對(duì)各種影響因素進(jìn)一步分析，以更好地證明fNPV估算模型的穩(wěn)定性和魯棒性。

值得注意的是，由于野外實(shí)測(cè)數(shù)據(jù)與影像數(shù)據(jù)存在時(shí)間上不同步、樣方植被覆蓋度計(jì)算具有主觀性的問題，這些數(shù)據(jù)誤差也在一定程度上會(huì)影響估算精度。另外，本研究僅對(duì)一次實(shí)驗(yàn)結(jié)果進(jìn)行了精度檢驗(yàn)，樣地?cái)?shù)量相對(duì)較少且缺乏系統(tǒng)的地面真實(shí)性檢驗(yàn)工作，再加上線性回歸模型對(duì)實(shí)測(cè)數(shù)據(jù)的依賴性較高，模型的普適性并未得到充分的驗(yàn)證。因此，在后續(xù)的研究中將選取固定觀測(cè)點(diǎn)對(duì)長時(shí)間序列的植被覆蓋度情況進(jìn)行連續(xù)觀測(cè)，獲取更多的地面實(shí)測(cè)樣地?cái)?shù)據(jù)，以更好地評(píng)價(jià)NPVIs指數(shù)估算典型草原地區(qū)fNPV的精度。

5 結(jié)論

本文以錫林郭勒典型草原為研究區(qū)，MODIS 500 m空間分辨率產(chǎn)品數(shù)據(jù)為數(shù)據(jù)源，對(duì)幾種fNPV估算模型進(jìn)行了對(duì)比分析和精度驗(yàn)證，得到如下主要結(jié)論：

1)基于MODIS影像構(gòu)建的NPVIs指數(shù)與fNPV的相關(guān)性較好，達(dá)到顯著相關(guān)水平(P<0.05)，相關(guān)性依次為： DFI>SWIR32>NDTI>STI>NDI7>NDI5>NDSVI。

2)野外樣地fNPV實(shí)測(cè)值驗(yàn)證表明，相比于其他NPVIs指數(shù)反演fNPV模型，DFI指數(shù)估算效果較好，fNPV估算的R2為0.63，RMSE為0.098 7，RE為26.73%，能夠有效估算典型草原地區(qū)的fNPV。

3)基于DFI指數(shù)構(gòu)建的fNPV反演模型為最佳模型，fNPV總體的分布規(guī)律與實(shí)際相吻合，可有效應(yīng)用于典型草原地區(qū)黃枯期fNPV的快速監(jiān)測(cè)。