基于Sentinel-2数据的典型草原光合/非光合植被覆盖度估算

及时、准确地掌握草原光合植被覆盖度(fractional cover of photosynthetic vegetation,fPV)和非光合植被覆盖度(fractional cover of non-photosynthetic vegetation,fNPV)信息对草地资源的合理利用以及草原生态系统的监测和保护具有重要意义。本研究选取锡林郭勒典型草原为研究区,以Sentinel-2A MSI多光谱影像为数据源,基于光合植被(photosynthetic vegetation,PV)-非光合植被(non-photosynthetic vegetation,NPV)-裸土(bare soil,BS)模型,利用多端元光谱混合分析(multiple endmember spectral mixture analysis,MESMA)方法估算研究区的fPV、fNPV,并对感兴趣区内fPV、fNPV的时空动态变化进行分析。结果表明,对于锡林郭勒典型草原来说,PV、NPV以及BS光谱库内端元存在明显的光谱异质性特征,确定最优的端元组合是成功估算fPV和fNPV的关键;MESMA可较好地估算fPV和fNPV,fPV估算的RMSE为5.52%(R2=0.72),fNPV估算的RMSE为9.37%(R2=0.61);利用MESMA估算fPV和fNPV的季节变化符合草原植被物候发育特征,可应用于监测典型草原地区fPV和fNPV的时空动态变化。

基于MODIS数据的典型草原非光合植被覆盖度估算

非光合植被(non-photosynthetic vegetation,NPV)在草原生态系统中扮演了重要角色,影响着生态系统的碳、水和能量的流动与循环。定量掌握草原非光合植被覆盖度(fractional cover of non-photosynthetic vegetation,fNPV)信息对草地资源的科学有效利用以及生态环境保护具有重要意义。以内蒙古自治区锡林郭勒典型草原为研究区,运用线性回归分析方法,建立基于MODIS (MCD43A4)数据构建的多种非光合植被指数(non-photosynthetic vegetation indices,NPVIs)和野外实测fNPV数据的反演模型,并对模型的估算结果进行验证。研究结果表明,基于MODIS数据构建的NPVIs与fNPV的相关性较好,相关性依次为: DFI,SWIR32,NDTI,STI,NDI7,NDI5及NDSVI;DFI指数反演fNPV模型的估算精度较高,可用于典型草原地区大范围fNPV的快速监测。

我国北方土壤风蚀力时空特征分析

利用1971—2011年北方风蚀区146个气象站的逐时风速资料,将5 m/s以上风速划分为和风、强风、大风、狂风4个等级,采用线性趋势分析、小波分析、M-K突变检验分析和空间相似度分析等方法分析了该地区不同等级土壤风蚀力时空分布特征,并讨论了与平均风速的时空相关性。结果表明,在空间分布上和风时数与强风时数空间分布相似,内蒙古锡林郭勒盟西部、乌兰察布和包头市北部为高值区,新疆天山山脉以南为和风和强风时数的低值区,除新疆天山以北,大部分地区大风和狂风时数极少; 4个等级风速平均时数季节变化规律均为春夏秋冬递减,风速等级越高,累计时数越少,季节与地区间的差异越小;在时间变化上,和风、强风、大风和狂风年总时数和四季时数均呈现减少趋势,四季间有明显差异;和风、强风和大风时数变化的主周期均为28年,而狂风时数变化的主周期为11年;和风与平均风速呈现较好的时空相关性,基本可以反映平均风速的时空变化。

基于实测光谱模拟Landsat-8 OLI数据估算非光合植被覆盖度

定量的估算非光合植被覆盖度(Fractional Cover of Non-photosynthetic Vegetation, fNPV)对草原生态系统碳储存、植被生产力、土壤侵蚀和火灾监测均具有重要的意义。本文以锡林郭勒草原实测高光谱和样方盖度为数据源,利用NPV(Non-Photosynthetic Vegetation)、PV(Photosynthetic Vegetation)、BS(Bare Soil)的平均光谱通过线性光谱混合模型模拟得到混合场景光谱,寻找区分NPV/PV/BS的敏感性波段,然后分别评价不同多光谱指数与fNPV的相关性。最后利用野外混合场景实验验证光谱指数估算fNPV的有效性。在此基础上,探讨基于OLI数据的NDVI(Normalized Difference Vegetation Index)-DFI(Dead Fuel Index)特征空间是否满足三元线性混合模型的基本假设。结果表明:短波红外(SWIR)波段是区分NPV/PV/BS的敏感性波段,以此为基础构建的OLI-DFI指数具备有效区分NPV/PV/BS的潜力。在模拟混合场景条件下,OLI-DFI和MODIS-DFI指数均与fNPV呈显著相关,决定性系数R2分别为0.84和0.94,均方根误差RMSE分别为0.09和0.05,而NDI和NDSVI指数与fNPV相关性很低。与模拟混合场景相比,在野外混合场景下OLI-DFI和MODIS-DFI指数估算fNPV的有效性均有一定程度的降低,R2分别为0.65和0.75,RMSE分别为0.14和0.12。基于OLI数据构建的NDVI-DFI特征空间满足三元线性混合模型的基本假设,可有效的估算fNPV。