基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量空间数据集

維基文庫,自由的圖書館
基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量空间数据集
作者:焦翠翠 于贵瑞 陈智 何念鹏
2019年1月3日
本作品收錄於《中国科学数据
焦翠翠, 于贵瑞, 陈智, 何念鹏. 基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量空间数据集[J/OL]. 中国科学数据, 2019, 4(1). (2019-01-03). DOI: 10.11922/csdata.2018.0029.zh.


摘要&关键词[编辑]

摘要:地上生物量(Aboveground biomass,AGB)不仅能够表征草地可利用资源的现状、反映草地的载畜能力与承载力,还是草地碳库的一个重要组成部分。因此,长期动态的AGB空间数据集一方面对畜牧业的可持续发展和草地生态系统优化管理策略的制定具有重要意义,另一方面也是理解陆地生态系统碳储量和生物地球化学循环变化过程的基础。本研究以大量地面实测AGB数据为基础,借助长时间序列的归一化植被指数数据,构建了中国北方温带和青藏高原高寒草地AGB的遥感估算模型,对1982–2015年间逐年的AGB进行了估算,从而形成了1982–2015年中国北方温带和青藏高原高寒草地AGB的逐年空间数据集。通过数据公开和免费下载服务的方式,为中国草地生态系统动态变化的相关研究提供基础数据支持,也为我国草地的适应化管理提供科学依据。

关键词:中国;草地生物量;生产力;归一化植被指数;遥感估算模型

Abstract & Keywords[编辑]

Abstract: Aboveground biomass (AGB) reflects the forage availability, herbivore carrying capacity of grassland. It is also an important component of grassland carbon stocks. Therefore, long-term AGB data is pretty significant for the sustainable development of animal husbandry and the formulation of grassland ecosystem management policies in China. In addition, it is fundamental to understanding carbon storage and the biogeochemical dynamics of terrestrial ecosystems. In this study, we developed empirical remote sensing inversion AGB estimation models based on field-observed AGB data and long-term normalized difference vegetation index (NDVI) data. Yearly grassland AGB data were generated in the northern temperate region and the Tibetan Plateau of China from 1982 to 2015 using AGB estimation models. The dataset can be used for studies of grassland productivity, carbon storage, and related decision-making in China.

Keywords: China; grassland biomass; productivity; NDVI; remote sensing model

数据库(集)基本信息简介[编辑]

数据库(集)名称 基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量空间数据集
数据作者 焦翠翠、于贵瑞、陈智、何念鹏
数据通信作者 于贵瑞(yugr@igsnrr.ac.cn)
数据时间范围 1982–2015年
地理区域 内蒙古自治区、青海省、西藏自治区、新疆维吾尔族自治区、甘肃省和宁夏回族自治区6个北方省级行政区范围内的草地。
空间分辨率 8 km
数据量 81 MB
数据格式 ArcGIS, TIFF
数据服务系统网址 http://www.cnern.org.cn/data/meta?id=40577http://www.sciencedb.cn/dataSet/handle/601
基金项目 国家重点研发计划项目(2016YFA0600104),四川轻化工大学校内人才引进项目(2017RCSK19)。
数据库(集)组成 数据集包括38个文件,其中34个文件为中国北方温带和青藏高原高寒草地1982–2015年逐年的AGB空间数据。命名规则为NGTP_YYYY_AGB.tif,其中NGTP代表中国北方温带和青藏高原高寒草地,YYYY代表年份,AGB代表地上生物量;另外4个文件为NGTP_1980sAGB.tif,NGTP_1990sAGB.tif,NGTP_2000sAGB.tif和NGTP_2010sAGB.tif, 分别代表1980s(1982–1989年),1990s(1990–1999年),2000s(2000–2009年)和2010s(2010–2015年)AGB的平均值,所有数据单位均为g·m-2。

Dataset Profile[编辑]

Title A dataset of grassland aboveground biomass in the northern temperate region and the Tibetan Plateau of China based on field investigation and remote sensing inversion (1982 – 2015)
Data corresponding author Yu Guirui (yugr@igsnrr.ac.cn)
Data authors Jiao Cuicui, Yu Guirui, Chen Zhi, He Nianpeng
Time range 1982 – 2015
Geographical scope Grasslands in Inner Mongolia, Qinghai, Tibet, Xinjiang, Gansu, and Ningxia
Spatial resolution 8 km
Data volume 81 MB
Data format ArcGIS TIFF
Data service system <http://www.cnern.org.cn/data/meta?id=40577>; <http://www.sciencedb.cn/dataSet/handle/601>
Sources of funding National Key Research and Development Program of China (2016YFA0600104); Early Career Foundation of Sichuan University of Science & Engineering (2017RCSK19).
Dataset composition The dataset consists of 38 data documents, 34 of which store yearly grassland AGB in the northern temperate region and the Tibetan Plateau of China. Each data document is recorded as NGTP_YYYY_AGB.tif. NGTP, YYYY and AGB denote grassland in the northern temperate region and the Tibetan Plateau of China, year and aboveground biomass, respectively. The other 4 data documents, recorded as NGTP_1980sAGB.tif, NGTP_1990sAGB.tif, NGTP_2000sAGB.tif and NGTP_2010sAGB.tif, store average AGB values during the periods of 1982 – 1989, 1990 – 1999, 2000 – 2009, and 2010 – 2015, respectively. The data unit is g·m-2.


引 言[编辑]

草地生物量是指某一时刻单位面积内草地中实际存有的有机物质总量。其中,地上生物量(Aboveground biomass,AGB)不仅能够反映植被的生长状况、表征草地载畜能力[1][2],还与生态系统质量密切相关[3]。另外,AGB是草地生态系统碳库的重要组成部分[4],虽然它在草地碳储量中所占比重不大,但它却与草地生态系统的物质循环和能量流动过程紧密相连[5]。中国草地的总面积约为3.9×106 km2,居世界第二位。北方温带草地和青藏高原高寒草地面积约占中国草地总面积的79%,是全国重要的畜牧业基地,又是北方和京津地区的重要生态屏障[6]。因此,评估中国这两个区域草地AGB并揭示其动态变化,对我国草地资源的保护、畜牧业的发展、水土保持和生态系统的可持续发展具有重要意义[1][2]

在草地AGB的众多测定方法中,样地收获法被认为是简单、最准确的一种方法,但该方法耗时、费力,通常只适用于样点及样带尺度的研究[7][8][2]。近年的大量研究表明,地面生物量调查数据与卫星遥感技术相结合,是评估区域尺度草地AGB的有效途径[9][7]。随着过去40年间中国社会与经济的快速发展,北方温带草地和青藏高原高寒草地所承受的扰动和压力也在不断变化。AGB的长期变化不仅能够很好地反映这种变化,而且能够为后续草地的可持续管理提供可借鉴经验。然而,过去对中国这两个区域草地AGB的评估多关注于某一时期的平均状态[10],较少关注AGB动态变化的研究,探讨的时间尺度也多集中在10–20年间[11]。关于1982–2015年期间中国北方温带和青藏高原高寒草地的AGB数据,到目前为止尚未公开共享的空间数据集,一定程度上阻碍了相关研究的进展。

有鉴于此,本研究以大量AGB实测数据为基础,借助美国国家航空航天局(National Aeronautics and Space Administration,NASA)全球监测与模型研究组(Global Inventory Monitoring And Modeling Studies,GIMMS)发布的长时间序列归一化植被指数(Normalized Difference Vegetation Index,NDVI)数据,科学地构建估算AGB的遥感模型,对1982–2015年中国北方温带和青藏高原高寒草地的AGB进行了评估,在此基础上分别对1980s(1982–1989年),1990s(1990–1999年),2000s(2000–2009年)和2010s(2010–2015年)的平均AGB进行了计算,生产了一套1982–2015年中国北方温带和青藏高原高寒草地AGB的空间数据集。期望通过公开共享模式,为中国草地生态系统(草地资源、畜载力、承载力和碳储量等)动态变化的后续研究提供科学数据。

1 数据采集和处理方法[编辑]

1.1 基础数据[编辑]

1.1.1 研究区域概况[编辑]

中国北方温带和青藏高原高寒草地空间分布范围广,南北跨越23个纬度,东西跨越50个经度。综合过去对北方草地的相关探讨,本研究主要考了内蒙古自治区、青海省、西藏自治区、新疆维吾尔族自治区、甘肃省和宁夏回族自治区6个北方省级行政区范围内的草地,没有包括辽东湾北端向西和陕西一带等范围[12][11]。北方温带草地主要分布在大、小兴安岭向西、西南直至新疆西部国境线的区域。青藏高寒草地主要包括西藏、青海大部分区域、甘肃和新疆的部分地区[12]。根据1:100万中国植被图[13],我国这两个区域的草地主要包括6种草地类型:高寒草原、高寒草甸、山地草甸、草甸草原、典型草原和荒漠草原(图1)。

本研究将内蒙古自治区、青海省、西藏自治区、新疆维吾尔族自治区、甘肃省和宁夏回族自治区6个省级行政区的分布范围与中国1:100万植被类型数据[13]中草地类型的空间分布范围相重叠的部分作为中国北方温带和青藏高原高寒草地的总体分布范围。将青藏高原的空间分布范围(数据来源详见1.1.4部分介绍)与中国1∶100万植被类型数据中草地类型的空间分布范围相重叠的部分作为青藏高原高寒草地的分布范围;将中国北方温带和青藏高原高寒草地的总体分布范围中除去青藏高原高寒草地之外的部分作为北方温带草地的分布范围。


图片

图1 中国北方温带和青藏高原高寒草地的植被类型和生物量实测数据样点的空间分布


1.1.2 生物量实测数据[编辑]

本研究中使用的地上生物量实测数据(AGBobs)是采用经典的样地收获法测定得到,主要有以下2个数据来源:① 通过在中国知网(http://epub.cnki.net)和Web of Science(www.Webofknowledge.com)以“生物量”“碳储量”“生产力”及“产量”为关键词收集到已公开发表的学术论文230篇,得到1982–2015年期间787个调查点,953个调查点年的AGBobs数据;② 相关研究者提供了608个调查点,630个调查点年的AGBobs数据。通过以上2个途径共得到1982–2015年期间中国北方温带和青藏高原高寒草地区域内1395个调查点,1583个调查点年的AGBobs,数据的详细介绍见Jiao[14][15]、Ma[16][10]和Xu[17]等的相关研究。

采用以下3个标准对初步得到的AGBobs数据进行了筛选:① 剔除地理位置信息记录不完整的样点数据;② 剔除缺失采样时间的样点数据;③ 以草地类型为基础,将平均值±3倍标准差作为标准,剔除数值过低或者过高的样点数据。筛选之后最终得到了一个包括1104个调查点,1259个调查点年的AGBobs数据集(图1)。

1.1.3 归一化植被指数(NDVI)[编辑]

本研究中使用了1982–2015年的NDVI数据,该数据来源于GIMMS生产的NDVI第三代数据产品NDVI3g.v1[18]。GIMMS的NDVI3g.v1[19]是以搭载在NOAA(National Oceanic and Atmospheric Administration)卫星上的AVHHR(Advanced Very High Resolution Radiometer)传感器采集的卫星数据为基础,通过运用最大值(Maximum Value Composite,MVC)合成方法生产得到的空间分辨率为0.083°×0.083°(~8 km×8 km)[20][21][18],时间分辨率为15 d的NDVI产品[18]

1.1.4 空间矢量数据[编辑]

植被类型分布图采用的是中国科学院中国植被图编辑委员会绘制的1:100万植被类型图[13],从中国科学院资源环境科学数据中心下载得到[22]。青藏高原空间范围数据也是从中国科学院资源环境科学数据中心下载得到[22]

1.2 生物量空间数据集生产方法[编辑]

1.2.1 数据预处理[编辑]

在构建AGB的遥感估算模型之前,首先通过以下3个步骤对数据进行预处理:

① 以时间分辨率为15 d的NDVI数据为基础,运用MVC方法[23](公式1)计算得到时间分辨率为1个月的NDVI值。

图片 (1)

公式(1)中,图片为月序号,None为第图片个月的NDVI值,图片图片分别为第图片个月上半月与下半月的NDVI值。

② 在月NDVI值的基础上计算参与构建AGB遥感估算模型的年NDVI值。通过构建NDVI数据与AGB实测数据之间的经验关系来模拟区域尺度的草地AGB时,通常选用年最大NDVI值或生长季的平均NDVI值。草地生态系统的生长季通常开始于每年的4月、结束于10月,但是表征AGB变化的最优NDVI合成时相会因研究区域内部的异质性,如气候、植被条件等的差异有所不同[24][25],可能是4–10月、5–10月、4–9月、6–8月、7–8月等不同时期的NDVI值。

在本研究中为了系统地选择表征AGB变化的最优NDVI合成时相,年NDVI的计算时期可能开始于4月、5月、6月或者7月,结束时期可能是8月、9月或者10月,然后以1个月为时间步长进行组合,共计得到12种不同时相组合的生长季平均NDVI值:4–10月、5–10月、6–10月、7–10月;4–9月、5–9月、6–9月;4–8月、5–8月、6–8月;7–8月、7–9月。再加上年NDVI最大值,这样共计得到每年13种不同时相组合的年NDVI值(图2,附表1)。

③ 根据AGBobs的采样年份和地理位置信息分别提取每个样点对应年份由不同时相组合得到的13种年NDVI值,得到AGBobs与对应年NDVI数据集。采用随机抽样的方法选取约占总数75%的样点数据为测试样本,用于模型的构建,约25%的样点数据为验证样本,用于模型的验证。在此需要说明,在年最大NDVI值小于0.1的区域,因植被覆盖率低,NDVI数据受下垫面影响比较大,在本研究中没有考虑。

1.2.2 AGB遥感估算模型的构建[编辑]

基于预处理后的AGBobs和NDVI数据,分别拟合AGBobs与对应13种年NDVI值之间的回归关系(线性、指数、乘幂及对数),共计得到52种回归模型(附表1)。本研究选取决定系数(图片,公式2)和均方根误差(图片,公式3)作为模型精度的评价指标。

图片 (2)

图片 (3)

公式(2)和(3)式中,图片为模型估算值图片和地面实测值图片之间的决定系数,能够指示图片图片两组数据之间分布的相似性,表征模型能够解释实测图片变异的程度;图片为模型估算值图片和地面实测值图片之间的均方根误差,表征图片图片之间的偏差程度;n为样点个数。

在构建的52个回归模型中(附表1),模型精度评价结果同时符合图片最小和图片最大这两个条件的模型,被认为是AGB的最优估算模型[26][27]。如果模型的精度评价结果表明同时满足图片最小和图片最大这两个条件的模型不存在,那么需要优化现有的模型[27]。在本研究中,将分别满足图片最小的模型和图片最大的模型在像元尺度的估算值取平均值作为AGB的最优估算结果。同时,将符合图片最小和图片最大的模型在像元尺度取平均的结果作为AGB的最优估算模型。

将上述的建模思路分别应用于北方温带草地和青藏高原高寒草地,然后用预留的验证数据分别对两个草地区域各自构建的52个回归模型进行精度评价。评价结果表明(附表1),对于北方温带草地和青藏高原高寒草地来说,都不存在任何一个模型同时满足图片最大和图片最小这两个条件。根据上述模型构建方法的介绍,在北方温带草地和青藏高原高寒草地的AGB最优估算模型都是由各自图片最大和图片最小的模型(附表1中加粗显示)在像元尺度取均值的平均模型。AGB遥感估算模型的构建思路参考Jiao等[15]的研究,主要的技术流程如图2所示。


图片

图2 AGB空间数据集生产的技术路线图


根据上述技术流程,构建中国北方温带草地AGB的遥感估算模型AGB-RSMNG(公式4)和青藏高原高寒草地AGB的遥感估算模型AGB-RSMTP(公式5)如下:

图片 (4)

图片 (5)

公式(4)和(5)中,图片表示地理位置;图片表示年份,取值范围为1982–2015年;图片图片分别表示地理位置图片处,第图片年中国北方温带草地和青藏高原高寒草地的AGB;图片表示图片处,第图片年中7–10月期间图片的平均值;图片表示图片处,第图片年中6–9月期间图片的平均值;图片表示图片处,第图片年中4–8月期间图片的平均值;图片表示图片处,第图片年中5–8月期间图片的平均值。

2 数据样本描述[编辑]

经过一系列处理,获取了1982–2015年期间中国北方温带和青藏高原高寒草地逐年的AGB空间数据,并且以此为基础分别计算了1980s(1982–1989年)、1990s(1990–1999年)、2000s(2000–2009年)和2010s(2010–2015年)不同年代的AGB,共同构成了1982–2015年间中国北方温带和青藏高原高寒草地AGB的空间数据集,空间分辨率为8 km,单位为g·m-2,格式为ARCGIS TIFF。以1980s、1990s、2000s和2010s的数据为例,展示AGB的空间数据情况(图3)。

3 数据质量控制和评估[编辑]

本数据集的生产从基础数据的获取与预处理、遥感估算模型的构建与验证都有严格的质量控制和评估标准,保证了数据的可靠性。AGB实测数据是通过样地收获法得到的,数据获取途径包括文献调研和野外调查两个方面。对于文献调研的数据,检索关键词的确定、数据获取与处理的方法均经过专家的论证和认可。在数据收集完毕之后,由不同人员对数据进行交叉校对,对数据进行单位统一、异常值剔除等后续处理。对于野外调查数据,科研人员在样方设置和样品处理都严格遵循了相应的调查技术规范。


图片

图3 1980s、1990s、2000s和2010s中国北方温带和青藏高原高寒草地地上生物量的空间数据


AGB遥感估算模型所需的NDVI数据来源于GIMMS发布的NDVI3g.v1,该数据集在生产的过程中已经过一系列的预处理:如辐射校正、去云、传感器退化性订正及几何纠正等处理。GIMMS NDVI3g.v1数据集中还提供了NDVI数据的质量控制文件,目前已经在全球及区域尺度生态系统生物量及生产力的空间分异和动态变化研究中被公认和广泛应用[28][29][30]

在运用NDVI数据估算AGB的研究中,多数是通过选用预先设置好的某一个固定时期(如每年的5–8月、5–9月、4–9月、4–10月等)的NDVI值与实测AGB数据来构建AGB的遥感估算模型[31][32][33]。本数据集在生产过程中充分考虑了区域内植被及气候条件差异对表征AGB变化的最优NDVI时相的影响作用,将每年4–10月的月NDVI值按照不同的时间窗口进行组合,得到每年13种不同时相组合的年NDVI值。在此基础上,较系统地筛选出表征北方温带草地和青藏高原高寒草地AGB变化的最优NDVI时相,从一定程度上优化了这类传统模型的计算方法。

为了更加直观地表达本数据集的精度,我们用之前预留的约25%样点的AGB实测数据作为验证数据,与AGB-RSMNG和AGB-RSMTP的模拟结果进行了对比(图4)。对比结果表明,AGB-RSMNG和AGB-RSMTP的模拟结果能够很好地表征中国北方温带和青藏高原高寒草地AGB的变异。对于北方温带草地来说(图4a),AGB-RSMNG的模拟结果与AGB实测数据之间的R2 和RMSE分别为0.63和55.38 g·m-2。对于青藏高原高寒草地来说(图4b),R2 和RMSE则为0.64和56.43 g·m-2。


图片

图4 由AGB-RSM 的估算结果与AGB实测数据对比验证的结果(a)在北方温带草地验证结果;(b)在青藏高原高寒草地验证结果


4 数据使用方法和建议[编辑]

基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量的空间数据集,可以通过CERN综合中心数据资源服务网站(http://www.cnern.org.cn)下载得到。用户登录系统后,在首页点击“数据论文数据”图标或在“数据资源”栏目选择“数据论文数据”中的“碳氮水通量观测专题”,进入相应页面后可以下载完整数据。本数据集的生产是在ArcGIS软件平台下完成的,数据格式为ArcGIS TIFF格式,用户需要借助ArcGIS软件才能打开。用户若需要其他格式,可以在ArcGIS软件中进行格式转换。用户使用时需要注意数据的单位,本数据集的单位统一为g·m-2。

在此需要说明的是,本数据集可能存在以下几个方面的不确定性:(1)因本数据集的时间尺度比较长(1982–2015年),为了充分运用已有的调查数据,在构建AGB-RSM时采用的AGB实测数据来源于多个调查者、多次野外采样获得的数据集。尽管这些野外数据在获取时都严格遵守了野外观测与技术规范,但是多次的野外调查规范没有统一,可能会对AGB实测数据的可比性产生一定的影响,也是本文公开数据不确定性的重要来源之一。(2)因考虑到AGB实测数据的可得性,本研究在构建AGB-RSM时,只考虑了因气候不同而形成的北方温带草地和青藏高原高寒草地两大区域之间的差异。对于研究区域的6种草地类型,高寒草原和高寒草甸主要分布在青藏高原高寒草地区域,运用的是同一个AGB估算模型(AGB-RSMTP);其他4种草地类型主要分布在北方温带草地区域(AGB-RSMNG),运用的是同一个AGB估算模型,尚未针对各种草地类型的差异角度来考虑对模型的影响,这也可能会对AGB-RSM模型的构建造成一定的不确定性。

致 谢[编辑]

衷心感谢华南师范大学的胡中民研究员和中国科学院地理科学与资源研究所黄玫副研究员为本研究提供了部分地上生物量实测数据。感谢美国国家航空航天局全球监测与模型研究组提供的NDVI数据,感谢中国科学院资源环境科学数据中心提供的1:100万植被类型图。

参考文献[编辑]

  1. ^ 1.0 1.1 WHITE R, MURRAY S, ROHWEDER M. Pilot analysis of global ecosystems: grassland ecosystems[M]. Washington, DC: World Resources Institute, 2000.
  2. ^ 2.0 2.1 2.2 JOBBAGY E G, SALA O E. Controls of grass and shrub aboveground production in the Patagonian steppe[J]. Ecological Applications, 2000, 10(2): 541-549.
  3. 翟鹏程. 基于遥感的植被生物量估算及其承载力评价[D]. 河北唐山: 华北理工大学, 2017.
  4. SCHLESINGER W H. Carbon balance in terrestrial detritus[J]. Annual Review of Ecology and Systematics, 1977, 8: 51-81.
  5. SCURLOCK J M O, JOHNSON K, OLSON R J. Estimating net primary productivity from grassland biomass dynamics measurements[J]. Global Change Biology, 2002, 8(8): 736-753.
  6. 张仁平, 冯琦胜, 郭靖, 等. 2000–2012年中国北方草地NDVI和气候因子时空变化[J]. 中国沙漠, 2015 (05): 1403-1412.
  7. ^ 7.0 7.1 LAUENROTH W K, HUNT H W, SWIFT D M, et al. Estimating aboveground net primary production in grasslands - a simulation approach[J]. Ecological Modelling, 1986, 33(2-4): 297-314.
  8. SINGH J S, LAUENROTH W K, STEINHORST R K Review and assessment of various techniques for estimating net aerial primary production in grasslands from harvest data[J]. Botanical Review, 1975, 41(2): 181-232.
  9. JIANG Y B, TAO J, HUANG Y Q, et al. The spatial pattern of grassland aboveground biomass on Xizang Plateau and its climatic controls[J]. Journal of Plant Ecology, 2015, 8(1): 30-40.
  10. ^ 10.0 10.1 MA A N, HE N P, YU G R. et al. Carbon storage in Chinese grassland ecosystems: Influence of different integrative methods[J]. Scientific Reports, 2016, 6: 21378.
  11. ^ 11.0 11.1 MA W H, FANG J Y, YANG Y H, et al. Biomass carbon stocks and their changes in northern China's grasslands during 1982-2006[J]. Science in China Sereis - C Life Sciences, 2010, 53(7): 841-850.
  12. ^ 12.0 12.1 孙鸿烈. 中国资源科学百科全书[M]. 青岛: 石油大学出版社, 2000.
  13. ^ 13.0 13.1 13.2 中国科学院中国植被图编辑委员会(张新时主编). 中国植被及其地理格局: 中华人民共和国植被图(1:1000 000) 说明书 [M]. 北京: 地质出版社, 2007.
  14. JIAO C C, YU G R, HE N P, et al. Spatial pattern of grassland aboveground biomass and its environmental controls in the Eurasian steppe[J]. Journal of Geographical Sciences, 2017, 27(1): 3-22.
  15. ^ 15.0 15.1 JIAO C C, YU G R, GE J P, et al. Analysis of spatial and temporal patterns of aboveground net primary productivity in the Eurasian steppe region from 1982 to 2013[J]. Ecology and Evolution, 2017, 7(14): 5149-5162.
  16. MA A N, HE N P, XU L, et al. Grassland restoration in northern China is far from complete: evidence from carbon variation in the last three decades[J]. Ecosphere, 2017, 8(4): e01750.
  17. XU L, YU G R, HE N P, et al. Carbon storage in China's terrestrial ecosystems: A synthesis[J]. Scientific Reports, 2018, 8: 2806.
  18. ^ 18.0 18.1 18.2 TUCKER C J, PINZON J E., BROWN M E, et al. An extended AVHRR 8‐km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data[J]. International Journal of Remote Sensing, 2005, 26(20): 4485-4498.
  19. 美国国家航空航天局全球监测与模型研究组. 长时间序列归一化植被指数数据集[EB/OL]. (2016-09-27) [2018-05-19]. https://ecocast.arc.nasa.gov/data/pub/gimms/3g.v1/.
  20. ZHU Z C, BI J , PAN Y Z, et al. Global Data Sets of Vegetation Leaf Area Index 3g and Fraction of Photosynthetically Active Radiation (FPAR)3g Derived from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI3g) for the Period 1981 to 2011[J]. Remote Sensing, 2013, 5(2): 927-948.
  21. BECK H E, MCVICAR T R., VAN DIJK ALBERT I J M, et al. Global evaluation of four AVHRR–NDVI data sets: Intercomparison and assessment against Landsat imagery[J]. Remote Sensing of Environment, 2011, 115(10): 2547-2563.
  22. ^ 22.0 22.1 中国科学院资源环境科学数据中心. 数据名称[EB/OL]. (2001-05-01) [2018-05-19]. http://www.resdc.cn.
  23. HOLBEN B N. Characteristics of maximum-value composite images from temporal AVHRR data[J]. International Journal of Remote Sensing, 1986, 7(11): 1417-1434.
  24. AN N, PRICE K P, BLAIR J M. Estimating above-ground net primary productivity of the tallgrass prairie ecosystem of the Central Great Plains using AVHRR NDVI[J]. International Journal of Remote Sensing, 2013, 34(11): 3717-3735.
  25. MKHABELA M S, BULLOCK P, RAJ S, et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data[J]. Agricultural and Forest Meteorology, 2011, 151(3): 385–393.
  26. JI L, PETERS A J. Performance evaluation of spectral vegetation indices using a statistical sensitivity function[J]. Remote Sensing of Environment, 2007, 106(1): 59-65.
  27. ^ 27.0 27.1 TAYLOR K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research-Atmospheres, 2001, 106(D7): 7183-7192.
  28. WU X C, LIU H Y. Consistent shifts in spring vegetation green-up date across temperate biomes in China, 1982-2006[J]. Global Change Biology, 2013, 19(3): 870-880.
  29. JONGEN M, PEREIRA J S, IGREJA AIRES L M, et al. The effects of drought and timing of precipitation on the inter-annual variation in ecosystem-atmosphere exchange in a Mediterranean grassland[J]. Agricultural and Forest Meteorology, 2011, 151(5): 595-606.
  30. PIAO S L, FANG J Y, ZHOU L M, et al. Changes in vegetation net primary productivity from 1982 to 1999 in China[J]. Global Biogeochemical Cycles, 2005, 19(2): GB2027, DOI: 2010.1029/2004GB002274.
  31. REED B C, LOVELAND T R, TIESZEN L L. An approach for using AVHRR data to monitor US Great Plains grasslands[J]. Geocarto International, 1996, 11(3): 13-22.
  32. GUO Q, HU Z M, LI S G, et al. Spatial variations in aboveground net primary productivity along a climate gradient in Eurasian temperate grassland: effects of mean annual precipitation and its seasonal distribution[J]. Global Change Biology, 2012, 18(12): 3624-3631.
  33. GU Y X, WYLIE B K, BLISS N B. Mapping grassland productivity with 250-m eMODIS NDVI and SSURGO database over the Greater Platte River Basin, USA[J]. Ecological Indicators, 2013, 24: 31-36.

数据引用格式[编辑]

焦翠翠, 于贵瑞, 陈智, 何念鹏. 基于遥感反演的1982–2015年中国北方温带和青藏高原高寒草地地上生物量空间数据集[DB/OL]. Science Data Bank, 2018. (2018-05-19) DOI: 10.11922/sciencedb.601.


本作品在“知识共享-署名 4.0 国际”协议下发表。

Public domainPublic domainfalsefalse