青藏高原地區物候數據集、地表覆蓋種類圖和青海湖環湖地區草地生物量數據集

青藏高原地區物候數據集、地表覆蓋種類圖和青海湖環湖地區草地生物量數據集
作者：張麗　王翠珍　楊昊翔　張炳華　鄭藝
2017年9月26日

本作品收錄於《中國科學數據》

張麗, 王翠珍, 楊昊翔, 等. 青藏高原地區物候數據集、地表覆蓋種類圖和青海湖環湖地區草地生物量數據集[J/OL]. 中國科學數據, 2017, 2(2). DOI: 10.11922/csdata.170.2017.0132.

摘要&關鍵詞

摘要：青藏高原高山植被類型豐富、覆蓋範圍大，因此成為了研究高山植被空間分布和物候變化的熱點區域。以MODIS地表反射率產品為主要數據源，輔以Landsat數據、氣象數據、野外實測數據等補充數據，得到了高原植被物候數據集、地表覆蓋種類圖與青海湖環湖地區草地生物量數據集。主要研究方法和成果如下：①基於由MODIS地表反射率產品計算得到的NDVI時間序列，結合非對稱高斯函數，利用閾值法提取物候參數，得到2000～2010年高原植被物候數據集，較從AVHRR GIMMS提取的物候參數具有更豐富的時空信息。②基於從樣本數據中提取的植被物候和生物物理參數，利用支持向量機方法對MODIS影像實現青藏高原地區地表覆蓋分類，得到2010年青藏高原地表覆蓋種類圖，分類精度為93％，較已出版的全國植被地圖精度更高，且高山草甸與高山草原兩種地類的分界線也更清晰和平滑。③基於MODIS和Landsat TM影像，利用STARFM數據融合算法及支持向量機非參數草地生物量估算模型，生成2000～2015年青海湖環湖地區草地生物量數據集，估算精度為82%。3組數據集可作為青藏高原地區植被研究的基礎數據集，為相關科研工作提供參考依據。

關鍵詞：青藏高原；植被；物候；地表覆蓋種類；草地生物量

Abstract & Keywords

Abstract: With abundant types and large coverage of alpine vegetation, the Tibetan Plateau has been a hot region for researches on the spatial distribution and phenological changes of alpine vegetation. Using the MODIS Surface Reflectance Product as the main data source, supplemented by Landsat images, meteorological data and field measurements, we obtained a phenological metrics dataset of alpine grasslands, a land cover types map for Tibetan Plateau and an alpine aboveground grassland biomass dataset for Qinghai Lake Basin. Major research methods and outcomes of this study include: ①Based on NDVI time series derived from the MODIS Surface Reflectance Product, threshold method was used together with a symmetric Gaussian function to extract phenological parameters. The phenological metrics dataset of alpine grasslands (2000 – 2010) generated therefrom showed more spatial and temporal details than phenological products derived from AVHRR GIMMS. ②With phenological and biophysical metrics extracted from sample data, we applied the support vector machine (SVM) on MODIS images to get the classification of land cover types over the Tibetan Plateau, thereby creating a land cover types map for Tibetan Plateau (2010). Results showed that the map had a classification accuracy of 93%, higher than the published National Vegetation Atlas. Besides, the newly-created land cover types map had a clearer and smoother transition from alpine meadow to alpine steppe. ③Based on MODIS and Landsat TM images, the alpine aboveground grassland biomass dataset (2000 – 2015) for Qinghai Lake Basin was obtained by using STARFM data fusion algorithm and non-parameterized SVM biomass estimation model. The dataset had an estimated precision of 82%. The three datasets can serve as fundamental data for studies on vegetation over Tibetan Plateau, providing references for related scientific researches.

Keywords: Tibetan Plateau; vegetation; phenology; land cover types; grassland biomass

數據庫（集）基本信息簡介

數據集中文名稱	2000～2010年青藏高原植被物候數據集	2010年青藏高原地表覆蓋種類圖	2000～2015年青海湖環湖地區草地生物量數據集
數據集英文名稱	Phenological metrics dataset of alpine grasslands over Tibetan Plateau (2000 – 2010)	Land cover types map for Tibetan Plateau (2010)	Alpine aboveground biomass dataset for Qinghai Lake Basin (2000 – 2015)
數據作者	王翠珍、張麗、 劉雙俞、邱玉寶	王翠珍、張麗、 邱玉寶、張鐿鋰	張炳華、張麗
通訊作者	王翠珍（cwang@mailbox.sc.edu）、 張麗（zhangli@radi.ac.cn）	王翠珍 （cwang@mailbox.sc.edu）、 張麗（zhangli@radi.ac.cn）	張麗(zhangli@radi.ac.cn)
數據時間範圍	2000～2010年	2010年	2000～2015年
地理區域	青藏高原地理範圍包括26°00′12″N～39°46′50″N，73°18′52″E～104°46′59″E，由崑崙山脈、喀喇崑崙山脈、唐古拉山脈、喜馬拉雅山脈等主體山脈組成。	青藏高原地理範圍包括26°00′12″N～39°46′50″N，73°18′52″E～104°46′59″E，由崑崙山脈、喀喇崑崙山脈、唐古拉山脈、喜馬拉雅山脈等主體山脈組成。	青海湖環湖地區地理範圍包括37°17′N～38°19′N，90°48′E～101°11′E，由大通山、日月山與青海南山之間的斷層陷落形成。
數據格式	*.Geotiff	*Geotiff	*.Geotiff
數據量	4.08 GB	70.6 MB	93.7 GB
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/397	http://www.sciencedb.cn/dataSet/handle/398	http://www.sciencedb.cn/dataSet/handle/399
基金項目	中國科學院遙感與數字地球研究所數字地球重點實驗室開放研究基金（2013LDE002），國家自然科學基金國際合作交流項目(41120114001)，國家自然科學基金（41271372）	國家自然科學基金國際合作交流項目（41120114001），國家重點基礎研究發展計劃（973計劃，2009CB723906）	國家自然科學基金（41271372），中國科學院國際合作局對外合作重點項目（131C11KYSB20160061）
數據集組成	2000～2010年青藏高原植被物候數據集包括植被生長季開始時間、生長季結束時間、生長季持續時間、NDVI峰值日期（pheno_change文件夾），空間分辨率為500 m，時間分辨率為年；及植被物候參數變化趨勢數據（pheno_trend文件夾），空間分辨率為500 m。	2010年青藏高原地區地表覆蓋種類圖（LandCoverTypesMap文件夾），空間分辨率為500 m。	2000～2015年青海湖環湖地區草地生物量數據集（biomass result文件夾），空間分辨率為30 m，時間分辨率為8天（每年5～9月植被生長季）。

引 言

青藏高原是世界上海拔最高的高原，被稱為「世界屋脊」「第三極」。青藏高原南至喜馬拉雅山脈，北抵崑崙山脈、阿爾金山脈和祁連山脈，西起帕米爾高原，東到橫斷山脈，平均海拔4000米以上，總面積約250萬平方千米，擁有豐富的自然資源和高山高寒動植物資源, 其中高寒植被是青藏高原生物多樣性的重要組成成分。然而，由於青藏高原特殊的地理位置、寒冷乾旱的氣候特點、高原地區的積雪和融雪效應^[1]以及高寒植被的脆弱性，該區域植被對氣候比較敏感，植被物候期、生長狀況和地域分布易受到氣候變化的影響^[2][3]，草地也存在一定程度的退化^[4]。隨着近年來全球氣候的不斷變化，研究植被物候參數、理化生化參數及其與氣候因子的關係也因此成為了熱點。

由於青藏高原地區覆蓋範圍大、氣候覆雜多樣、環境惡劣，實地考察和觀測研究受到了極大的限制，導致科研人員難以開展相關研究。遙感技術具有觀測範圍廣、時效性強、信息量大等眾多優勢，為青藏高原地區的科研工作開展帶來了新的突破。

中分辨率成像光譜儀（Moderate resolution imaging spectroradiometer，簡稱MODIS）的地表反射率產品是重要的基礎數據產品，廣泛應用於植被指數計算、地物光譜獲取、變化監測等方面的研究。通過建立數學模型，代入數據進行反演和分析，可以得到目標區域的空間分布、變化趨勢、參數之間相關性等信息，為青藏高原地區的相關研究提供數據支持^[5]。

本文介紹了3組青藏高原地區高山植被遙感數據集，包括2000～2010年高原植被物候數據集、2010年高原地表覆蓋種類圖和2000～2015年青海湖環湖地區草地生物量數據集，並闡述了數據集反演方法、精度，旨在為相關科研人員提供基礎地理信息數據。

1 數據採集和處理方法

1.1 數據採集

3組青藏高原地區高山植被遙感數據集產品的原始數據主要採用MODIS產品、Landsat遙感影像數據、野外實測數據及其他補充數據。相關數據介紹如下：

1.1.1 MODIS產品和Landsat遙感影像數據

生產數據集用到的MODIS產品為MOD09A1和MCD43A4。MOD09A1為2000～2010年每8天合成的500 m青藏高原地區地表反射率產品，每年46期影像，由MODIS產品分幅h25v05、h25v06、h26v05、h26v06和部分h23v05、h24v05組成，作為青藏高原植被物候參數數據集的原始數據，其中2010年的MOD09A1數據還用作青藏高原地表覆蓋種類圖的原始數據；MCD43A4為2000～2015年植被生長季期間（5～9月）每16天合成的500 m地表反射率產品，由MODIS產品分幅h26v05、h25v05組成，作為青海湖流域草地生物量數據集的原始數據。MODIS產品的下載地址為https://ladsweb.modaps.eosdis.nasa.gov/search/。

Landsat遙感影像數據主要為Landsat5 TM數據，數據的下載地址為http://espa.cr.usgs.gov/index/。

1.1.2 野外實測數據

在生成2010年青藏高原地區地表覆蓋種類圖和2000～2015年青海湖流域草地生物量數據集的過程中，分別使用了不同的野外實測數據。前者使用的野外實測數據為2011年在青藏高原地區實地觀測得到的數據，記錄了包括28個高山草甸、54個高山草原和2個高山荒漠在內共84個站點數據，每個站點數據覆蓋範圍為1.5 km×1.5 km，作為數據集生成過程中的訓練樣本。後者則是2013～2015年植被生長季期間（5～9月）的生物量野外實測數據，獲取方式為定點及不定點野外觀測：定點觀測通過選取樣帶作為定點觀測實驗區，在每年生長季（5～9月）逐月進行1～2次的定點覆蓋度觀測；不定點觀測通過採集樣方的方式對樣帶進行加密，每個樣方記錄信息包括坐標、主要物種、草地高度、草地覆蓋度、地上生物量、地表溫度以及地物波譜信息等資料，其中生物量採用收穫法獲取，並記錄取得的草樣的鮮重。截至2015年底，三年共獲取409個樣方的草地生物量數據（每年7月底至8月初），1125個樣方的草地覆蓋度數據（每年5～9月），其中青海湖環湖流域共採集有效生物量數據287個。

1.1.3 其他數據

生成2010年青藏高原地區地表覆蓋種類圖過程中，使用的樣本點數據集含：

（1）基於2011年8月11～13日在西藏中部地區進行的航空高光譜實驗（本實驗共設計了62條飛行軌道，其中有28條與圖1所示的四條航線平行）所拍攝的2 m空間分辨率影像，通過目視解譯隨機選取33個高山草甸和35個高山草原樣本點，用於檢驗分類精度；

（2）基於2001年中國科學院發布的1∶100萬中國植被地圖集（ACAS）及其他出版資源^[6]，隨機選取22個高山荒漠訓練樣本點，用於生成地表覆蓋種類圖；

（3）基於張鐿鋰等人提供的實地考察數據，選取的2012～2013年西藏西部尼瑪、改則4個站點的高山荒漠樣本點，用於檢驗分類精度；

（4）基於MODIS地表反射率產品（2010年，第217天），選取30個常年積雪、33個湖泊和38個裸地訓練樣本點，用於生成地表覆蓋種類圖；採用目視解譯獨立選取的50個湖泊和50個積雪樣本點，用於檢驗分類精度^[7]。

部分樣本數據點分布如圖1所示。

圖片

圖1 2011年野外航拍軌跡與野外實測數據及部分地表覆蓋類型樣本數據分布示意圖

生成2000～2015年青海湖流域草地生物量數據集的過程中，使用的補充數據包括：

（1）中國科學院「八五」重大應用項目「全國資源環境遙感宏觀調查與動態研究」中基於Landsat 數據提取的青海省2000年1∶10萬土地利用數據，主要包括水體、建設用地、林地、耕地等，是目前全國精度最高的土地利用類型產品^[8]，在生物量數據集生產中用於非草地區域的掩膜；

（2）來源於美國太空總署（NASA）和**部國家測繪局聯合執行的SRTM（Shuttle Radar Topography Mission）計劃中測量得到的全球30 m空間分辨率的DEM，用於計算研究區海拔信息，數據下載網址為http://glcf.umd.edu/data/；

（3）由中國氣象科學數據共享中心提供的氣象數據，為中國地面氣候資料日值數據集產品（V3.0），主要獲取自國家級地面站觀測數據。

1.2 數據處理

1.2.1 植被物候數據處理

青藏地區植被物候研究的數據處理可分為3個部分：數據預處理、植被物候參數提取和植被物候變化趨勢分析^[9][10]。

（1）數據預處理：基於MODIS的地表反射率產品，計算得到2000～2010年的NDVI時間序列影像和曲線。捨棄NDVI明顯偏小的像素後，利用Savitzky-Golay濾波器對存在雲污染的NDVI時間序列曲線進行平滑處理。

（2）植被物候參數提取：將平滑後的曲線與非對稱高斯函數進行擬合，從而提取出植被的生長季開始時間、生長季結束時間、生長季持續時間和NDVI峰值日期4個物候參數，得到了青藏高原地區2000～2010年植被物候數據集。4種物候參數分別對應pheno_change文件中的4景物候參數影像。該影像由11個波段組成，分別對應2000～2010年每年的植被物候參數。

（3）植被物候變化趨勢分析：雖然通過一般的線性擬合法，可以得到植被物候參數的變化趨勢，但植被物候參數存在自相關性，僅利用線性擬合法進行趨勢分析時，會導致包括零均值、常數方差在內的這些殘差不滿足要求。因此，採用Mann-Kendall趨勢分析方法對物候參數的變化趨勢進行分析，可以得到該地區2000～2010年更加準確的植被物候變化趨勢數據集。4種物候參數分別對應pheno_trend文件中的4景物候參數變化趨勢影像。該數據集反映了各物候參數在2000～2010年間的總體變化動向。

1.2.2 高原地表覆蓋種類數據處理

該數據處理流程主要由數據預處理、參數提取、地表覆蓋分類3部分組成^[7]：

（1）數據預處理：基於MODIS的地表反射率產品（MOD09A1），計算了2010年青藏高原地區的NDVI時間序列影像，共計46期。參照1.2.1節中的數據預處理方法，對NDVI曲線進行了平滑去噪處理。

（2）物候和生物物理參數提取：針對平滑後的NDVI時間序列曲線，除了用1.2.1節物候參數提取的方法提取了4個物候參數之外，還從NDVI曲線中提取了NDVI峰值與生長季NDVI總和2個生物物理參數。這兩類參數反映了草地的生長狀況和生長周期，可用於區分地表覆蓋類型中的不同草地類型。

（3）地表覆蓋分類：基於野外實測數據和補充數據，將提取的各草地類型生物物理參數和物候參數作為訓練樣本，利用圖2所示的支持向量機（SVM）和多閾值判斷綜合起來的分類方法，將青藏高原地區分成了高山荒漠、高山草原、高山草甸、裸地、湖泊、積雪6個地表覆蓋類型，得到了2010年青藏高原地區地表覆蓋種類圖。

圖片

圖2 青藏高原地區地表覆蓋分類流程圖

1.2.3 草地生物量數據處理

該數據處理過程主要包括基於STARFM算法的數據融合與草地生物量估算模型的建立^[11]，數據集生成的流程如圖3所示：

（1）基於STARFM算法的數據融合：在綜合比較了多種融合方案後，本數據集生成過程中以MODIS MCD43A4數據和根據獲取情況而選擇的一年內、間隔一年、間隔兩年的TM數據為遙感輸入數據，利用STARFM融合算法，將MODIS和Landsat影像分別計算得到的植被指數進行融合，生成新的植被指數。在忽略大氣誤差和影像配准誤差前提下，STARFM算法假設單一地物類型、同時相的Landsat影像像元可以由MODIS影像像元加權平均表示。然而由於混合像元、地表覆蓋類型、物候等因素的影響，單個Landsat像元很難由MODIS影像表示。因此實際操作過程中利用鄰近相似像元對Landsat像元值進行預測，即以預測像元為中心，依據像元值相似程度、空間距離以及時間距離等，在某個固定大小的窗口內尋找預測像元的固定點，並對所有相似像元附以一定的權值，最終獲得中間預測像元的值，以此方法對整幅影像進行卷積運算，獲得整幅影像預測值。其中耕地採用350 m窗口，林地採用950 m窗口，草地及其他用地類型採用750 m窗口，最後生成了兼有MODIS的高時間分辨率和Landsat TM中空間分辨率優勢的NDVI時間序列影像。

（2）草地生物量估算模型的建立：結合數據融合生成的NDVI時間序列和野外實測數據，分別建立參數化和非參數化的生物量估算模型。基於精度驗證分析，最終選擇支持向量回歸模型為最優模型並進行草地生物量的估算，生成了2000～2015年植被生長季期間（5～9月）每8天30 m的草地生物量數據，並對該期間的草地生物量求均值，得到2000～2015年間16景植被生長季期間青海湖流域的年草地生物量均值影像。

圖片

圖3 青海湖環湖地區草地生物量數據集獲取流程圖

2 數據樣本描述

2.1 2000～2010年青藏高原植被物候數據集

數據集中2010年青藏高原植被物候參數的空間分布情況如圖4所示，2000~2010年物候參數變化趨勢空間分布如圖5所示。圖5中數字1～6表示各種典型的生態和氣候區，其中1區為青海–祁連東部大草原，寒冷半乾旱氣候；2區為那曲–玉樹草甸，寒冷半濕潤氣候；3區為西藏南部草原，溫暖半乾旱氣候；4區為阿里高山荒漠，寒冷乾燥氣候；5區為羌塘草原，寒冷半乾旱氣候；6區為青海南部草原，寒冷半乾旱氣候。

圖4中a～d分別表示2010年青藏高原地區植被生長季起始時間（年積日）、生長季結束時間（年積日）、生長季持續時間（天）和NDVI峰值日期（年積日），年積日即從當年1月1日起開始計算的天數。圖5中a～d分別表示植被生長季起始時間、生長季結束時間、生長季持續時間和NDVI峰值日期的年積日變化趨勢；無變化表示對應的物候參數年積日沒有明顯的提前和推遲；日期延遲是指生長季起始和結束時間、NDVI峰值日期在這11年期間，到來的日期逐漸推後，而日期提前則指這些物候參數到來的日期逐漸提前；生長季持續時間則分別表現為持續時間延長和縮短的趨勢。

圖片

圖4 2010年青藏高原植被物候參數：(a)生長季起始時間；(b)生長季結束時間；(c)生長季持續時間；(d)NDVI峰值日期

圖片

圖5 2000～2010年青藏高原植被物候參數變化趨勢圖：(a)生長季起始時間；(b)生長季結束時間；(c)生長季持續時間；(d)NDVI峰值日期[11]

從物候觀點分析看，2000～2010年間，青藏高原有將近40％的地區存在明顯的物候變化，其西部地區生長季起始、結束時期和NDVI峰值日期均有所延遲，而東部地區均有所提前；西部地區生長季持續時間縮短，東部則延長。該變化狀況與生長季期間青藏高原西部降水的減少和東部降水增加的氣候變化表現出較好的一致性。而隨着青藏高原地區整體氣溫升高，生長季期間的降水變化趨勢將可能成為高山植被類型變化和分布的主要驅動因素。

2.2 2010年青藏高原地表覆蓋種類圖

2010年青藏高原地區地表覆蓋種類如圖6所示，可以看出整個青藏高原地區從東部的高山草甸覆蓋類型逐漸過渡到西部高山荒漠覆蓋類型。高山草甸占整個青藏高原地區的1/3，主要分布於因生長季季風影響而具有溫暖半濕潤和寒冷半乾旱氣候的青藏高原東部與東北部；高山草原覆蓋類型分布於以半乾旱氣候為主的青藏高原中部和西南部。地表覆蓋種類自青藏高原西部地區開始，逐漸轉變為耐熱耐旱的高山荒漠類型。青藏高原地區分布着許多湖泊，其北部主要是沙漠和裸地，西部的喀喇崑崙山脈和南部的喜馬拉雅山脈常年覆蓋積雪和冰川，一些諸如森林、灌木、農耕用地等非高山植被覆蓋土地類型則分布於青藏高原東南部。

圖片

圖6 2010年青藏高原地區地表覆蓋種類圖

2.3 2000～2015年青海湖環湖地區草地生物量數據集

將基於STARFM算法得到的融合NDVI時間序列，代入到支持向量機的非參數模型，對青海湖環湖地區進行草地生物量估算，獲得2000～2015年青海湖環湖地區草地生物量數據集。如圖7所示為2015年植被生長季期間，8天間隔的青海湖環湖地區草地生物量空間變化圖，從圖中可以看出融合植被指數生成的生物量在空間上顯示了較大的異質性。2015年，青海湖草地植被5月生物量較小，6月植被生長較為旺盛，在7月初到8月初為生長旺季。7月底整個流域生物量區域平均值為250 g/m2左右，7月底部分地區的植被生物量可達到500 g/m2以上，主要集中在青海湖湖北、湖南以及流域中部的高寒草甸地區。8月底生物量開始逐漸減少，至9月底，整個流域生物量與5月初的生物量在數值上持平。

圖片

圖7 2015年植被生長季青海湖地區8天間隔草地生物量空間分布圖

3 數據質量控制和評估

3.1 植被物候數據集質量控制與評估

3.1.1 質量控制

为了提高植被物候数据集的精度和质量，采取以下数据质量控制方法：

（1）為了保證提取的物候數據的準確性，需要對由地表反射率產品計算得到的NDVI時間序列影像進行篩選，將其中NDVI最大值小於0.1的像元視為裸地，不參與物候參數的提取。

（2）對原始的NDVI時間曲線進行的平滑處理，可以去除原始曲線中的雲污染和噪聲，從而高效、正確地提取物候參數。

3.1.2 質量評估

本數據集中物候參數及其變化趨勢與青藏高原109個氣象站點記錄的氣象變化結果具有一致性。根據氣象站點記錄的青藏高原地區降水數據，分析得出降水的變化趨勢與物候參數的變化趨勢在地理空間分布上具有同質性，符合植被對氣候的響應，故驗證本數據集提取的物候參數的可靠性。

3.2 地表覆蓋種類圖質量控制與評估

3.2.1 質量控制

為了提高地表覆蓋種類圖的精度和質量，採取以下數據質量控制方法：

（1）由於生成地表覆蓋種類圖時需要植被物候參數作為分類指標，因此數據處理過程中同樣需要3.1.1小節的數據質量控制方法保證提取的物候參數的準確性。

（2）採用結合植被物候參數和生物物理參數的多級綜合分類方法，可以減少由於各種草地覆蓋類型之間空間和光譜的同質性所引起的錯誤分類現象，從而提高數據質量。

3.2.2 質量評估

為評估本數據集的數據質量，需要對地表覆蓋種類圖的分類結果進行精度驗證。通過選取1.1.3小節中提到的若干樣本點作為驗證樣點，從而生成混淆矩陣如表1所示。在不考慮高山荒漠草原類型和裸地的情況下，本數據集的分類精度可達93%。對於高山植被覆蓋類型，33個高山草甸樣本點中，僅有1個被錯分為高山草原，用戶精度達到97%，35個高山草原樣本點中有5個被錯分為高山草甸，用戶精度達86%。積雪和湖泊分類精度高是因為它們的訓練樣本點和驗證樣本點來自於同一景MODIS影像。

表1 地表覆蓋種類圖樣本驗證混淆矩陣[8]

None	高山草甸	高山草原	積雪	湖泊
高山草甸	32	5	0	0
高山草原	1	30	0	0
積雪	0	0	50	0
湖泊	0	0	0	44
裸地/沙漠	0	0	0	6
總計	33	35	50	50

總體精度：92.86%

3.3 草地生物量數據集質量控制與評估

3.3.1 質量控制

為了提高草地生物量數據集的精度和質量，採取以下數據質量控制方法：

（1）為保證數據融合的質量，在生成數據集的過程中選用了MOD09A1、MOD09Q1、MCD43A4三種地表反射率數據，採用融合反射率數據計算NDVI和對反射率數據計算得到的NDVI融合兩種方案進行比較試驗，並以均方根誤差（RMSE）、相對均方根誤差（RMSEr）等參數作為精度評價指標，獲取最佳數據融合方案。相對均方根誤差（RMSEr）的計算公式如式（1）所示： \[{RMSE}_{r}=\frac{\sqrt{\frac{1}{M×N}\sum _{i=1}^{M}\sum _{j=1}^{N}{\left({p}_{\left(i,j\right)}-{q}_{\left(i,j\right)}\right)}^{2}}}{\stackrel{-}{p}}×100%\]（1） 其中M和N分別表示影像的行數和列數，p表示融合前的原影像，q表示融合後影像，\(\stackrel{-}{p}\)表示原影像的像素均值。相對均方根誤差表徵了融合影像與觀測值的相對誤差程度，差異越小，說明融合效果越好。

（2）在建立生物量估算模型的過程中，通過比較線性、冪函數、指數、對數、多項式和SVM等多種參數/非參數模型的精度，選優最佳估算模型。

3.3.2 質量評估

在產生草地生物量數據集之前，需要將287個實驗區有效的實地採樣生物量數據分為兩組，一組215個點，用來做生物量估算模型訓練樣本，另外一組72個點，用來作為模型精度驗證數據，質量評估過程選用的精度驗證指標包括相關係數（r）、均方根誤差（RMSE）、相對均方根誤差（RMSEr）。其中，r越大，RMSE越小，RMSEr越小，說明模型的估算值與實測值越接近，當RMSE或者RMSEr等於0時，模型為理想狀態，無誤差。用生成反演模型的訓練樣本計算得到的相關係數r可達85%，均方根誤差（RMSE）為74.45 g/m2，RMSEr為34.5%；而將驗證樣本代入模型計算得到的相關係數r可達82%，RMSE為78.28 g/m2，RMSEr為37.05%。研究成果與之前在內蒙錫林郭勒地區的研究結果一致^[12]，可以看出生物量估算模型精度高，數據集成果具有可信度。

4 數據價值

將本文涉及的青藏高原物候數據集、地表覆蓋種類圖及生物量數據集與國內外其他同類數據集進行對比分析，結果表明本文提出的3組數據集在時空分辨率、產品精度等方面具有優勢：

（1）不同研究學者利用AVHRR GIMMS的NDVI產品對青藏高原地區植被生長狀況進行監測時得出了不同結論，例如一些學者研究得出近幾十年來青藏高原地區植被綠度增加，植被返青期提前^[13][14]，其它研究卻表明植被綠度沒有明顯變化^[15]，一些研究甚至得出青藏高原地區植被退化，高山草原生長開始日期推遲的結論^[16][17]，反映出AVHRR GIMMS的NDVI產品存在較大的不確定性；而本文生產2000～2010年青藏高原地區植被物候數據集使用的是MODIS NDVI產品，經過本文第3.1節的檢驗，證明了數據集與產品的可靠性。且本文提取物候時利用的MODIS NDVI產品較AVHRR GIMMS NDVI產品有更高的時空分辨率。

（2）將基於MODIS影像得出的地表覆蓋種類圖與ACAS在青藏高原地區的地表植被覆蓋情況進行了對比。利用表1中的驗證樣本點對ACAS進行驗證，得出如表2所示的混淆矩陣。由表1可知基於MODIS影像進行分類的總體精度達到了93%，比總體分類精度為79%的ACAS要高（表2）；同時，本研究的分類圖在高山草甸和高山草原地表種類的分界線上較ACAS地圖更為清晰，過渡更平滑，分界區域更完整；除此之外，MODIS分類圖在高山草原和高山草甸、高山荒漠、小型湖泊等地物種類上，較ACAS地圖分類更加準確^[7]。這主要是因為本數據集使用的MODIS影像數據獲取於2010年，而用來進行驗證的野外數據點來源於2011年（地面調查及高光譜航片），在這兩年間植被變化忽略不計的前提下，本數據集分類總體精度較高，而ACAS圖集的原始影像來源於20世紀八九十年代的Landsat TM 影像，隨着近幾十年來全球氣候變化，地表植被變化會對ACAS圖集的驗證產生影響。但由於在生產本數據集時，當時的實地樣本已經無從獲取，不能進行同期的ACAS分類驗證，因此在選取驗證點時，儘量採用了大的植被地塊，以儘量減少驗證誤差。

表2 ACAS地圖樣本驗證混淆矩陣[8]

'參考樣本點'ACAS結果	高山草甸	高山草原	積雪	湖泊
高山草甸	24	12	0	3
高山草原	9	23	3	2
積雪	0	0	43	0
湖泊	0	0	0	43
裸地/沙漠	0	0	4	2
總計	33	35	50	50

總體精度：79.17%

（3）高原草地生物量是評價高原草地生長狀況的一項重要指標，因此對該參數進行估算可以有效管理和保護高原草地資源。但由於單一的遙感數據源無法同時滿足草地輪牧觀測的中高時間分辨率和高空間分辨率的需要^[11]，而通過融合中空間分辨率的TM影像和高時間分辨率的MODIS影像所具有的優勢則凸顯出來。將青海湖環湖地區樣地融合影像NDVI與500 m的MODIS NDVI數據集對比，結果如圖8所示。通過比較兩種NDVI影像在同一區域的平均值與標準差，可以看出兩者沒有明顯差異，從而說明融合後的NDVI影像序列不僅能夠有效反映500 m的MODIS NDVI的信息，同時還兼顧了MODIS高時間分辨率和Landsat TM影像中空間分辨率的優點。除此之外，融合後的NDVI影像較500 m的MODIS NDVI能更好地觀察植被的時空變化狀況，從而更好地描述河流兩岸的植被分布及生長狀況。

圖片

圖8 2015年6月青海湖流域樣地融合NDVI與MODIS NDVI變化比較圖[12]

5 數據使用方法和建議

本文介紹的3組研究成果從植被物候參數提取、遙感數據融合和估算模型等角度出發，對青藏高原地區植被進行了研究，最終生成該地區2000～2010高原植被物候數據集、2010年高原地表覆蓋種類圖和2000～2015青海湖環湖地區草地生物量數據集。

2000～2010高原植被物候數據集分為pheno_trend和pheno_change兩個文件。其中pheno_change文件中為2000～2010年青藏高原地區植被物候專題圖，包括植被生長季開始時間，生長季結束時間，NDVI峰值日期和生長季持續時間，共4期影像，每期影像11個波段，對應每年的植被物候信息，前三個物候參數的單位為年積日，生長季持續時間的單位為天，數據集空間分辨率為500 m，時間分辨率為1年；pheno_trend文件中為植被物候參數變化趨勢數據，共4期影像，影像信息見圖5，空間分辨率為500 m。本數據集中Geotiff格式的影像可用Envi軟件或ArcGIS軟件打開。

2010年青藏高原地區地表覆蓋種類圖為LandCoverTypesMap文件夾中的SVM_2010_3x3major_Plateau文件，空間分辨率為500 m，數據中的class 11為背景類，屬於研究區之外。本數據集中Geotiff格式的影像可用Envi軟件或ArcGIS軟件打開。

2000～2015青海湖環湖地區草地生物量數據集為biomass result文件夾。包括2000～2015年生長季（5～9月）青海湖環湖地區草地生物量數據，共16期影像，每期影像20個波段，為每年生長季期間的草地生物量，單位為g/m2，空間分辨率為30 m，時間分辨率為8天（每年5～9月植被生長季）。本數據集中Geotiff格式的影像可用Envi軟件或ArcGIS軟件打開。

以上數據集可為相關學者研究青藏高原地區植被的物候及其與氣候的相關性、植被分布和變化趨勢等方面提供可參考的資料，用以更全面地評價全球變暖及青藏高原變暖下高山植被類型的生態響應^[18]，輔助管理青藏高原地區草地資源和維護草原生態系統穩定性，並根據植被物候變化研究青藏高原地區，甚至全球範圍的氣候環境變化。

致謝

感謝國家自然科學基金「基於多源遙感協同的草原生物量動態預測模型研究」（41271372）和中國科學院國際合作局對外合作重點項目（131C11KYSB20160061）對本數據集提供的資助。感謝USGS提供的MODIS和Landsat影像數據，感謝中國氣象數據分享服務系統提供的青藏高原地區氣溫和降水站點實測數據。

參考文獻

1. Wang K, Zhang L, Qiu Y, et al. Snow effects on alpine vegetation in the Qinghai-Tibetan Plateau[J]. International Journal of Digital Earth, 2015, 8(1): 56–73.
2. Zhang L, Guo H, Ji L, et al. Vegetation greenness trend (2000 to 2009) and the climate controls in the Qinghai-Tibetan Plateau[J]. Journal of Applied Remote Sensing, 2013, 7(1): 1–17.
3. 侯小麗, 張麗, 張炳華, 等. 青藏高原植被對氣候變化響應的研究進展[J]. 安徽農業科學, 2016, 44(17): 230–235, 244.
4. 李亞楠, 張麗, 廖靜娟等. 藏北中部地區草地退化遙感監測[J]. 遙感技術與應用, 2013, 28(6): 1069–1075.
5. Li B, Zhang L, Yan Q, et al. Application of piecewise linear regression in the detection of vegetation greenness trends in the Tibetan Plateau[J]. International Journal of Remote Sensing, 2014, 35(4): 1526–1539.
6. Zhang Y, Bai W, Liu L, et al. Land use and land cover change in the Tibetan Plateau[C]. Workshop on the Third Pole Environment, LUCC and Climate Adaption in Tibetan Plateau. Beijing, 2010.
7. ^ ^{7.0 7.1 7.2} Wang C, Guo H, Zhang L, et al. Improved alpine grassland mapping in the Tibetan Plateau with MODIS time series: A phenology perspective[J]. International Journal of Digital Earth, 2013, 8(2): 131–150.
8. Liu J, Liu M, Zhuang D, et al. Study on spatial pattern of land-use change in China during 1995–2000[J]. Science in China, 2003, 46(4): 373–384.
9. Wang C, Guo H, Zhang L, et al. Assessing phenological change and climatic control of alpine grasslands in the Tibetan Plateau with MODIS time series[J]. International journal of biometeorology, 2015, 59(1): 11–23.
10. 劉雙俞, 張麗, 王翠珍, 等. 基於MODIS數據的青藏高原植被物候變化趨勢研究(2000年–2010年)[J]. 遙感信息, 2014, 29(6): 25–30.
11. ^ ^{11.0 11.1} 張炳華. 基於融合算法和SVM模型的青海湖流域草地生物量遙感估算研究[D]. 北京:中國科學院大學, 2016.
12. Zhang B, Zhang L, Xie D, et al. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation[J]. Remote Sensing. 2016, 8(1): 10.
13. Zhang G, Zhang Y, Dong J, et al. Green-up dates in the Tibetan Plateau have continuously advanced from 1982 to 2011[J]. PNAS, 2013, 110: 4309–4314.
14. Yang Y, Piao S. Variations in grassland vegetation cover in relation to climatic factors on the Tibetan Plateau[J]. Journal of Plant Ecology, 2006, 30: 1–8.
15. Zhang J, Yao F, Zheng L, et al. Evaluation of grassland dynamics in the Northern-Tibet Plateau of China using remote sensing and climate data[J]. Sensors, 2007, 7: 3312–3328.
16. Yu H, Luedeling E, Xu J. Winter and spring warming result in delayed spring phenology on the Tibetan Plateau[J]. PNAS Early Edition,2010: 1–6.
17. Liang S, Chen J, Jin X, et al. Regularity of vegetation coverage changes in the Tibetan Plateau in the past 21 years[J]. Advances in Earth Science, 2007, 22: 33–40.
18. Wang C. A remote sensing perspective of alpine grasslands on the Tibetan Plateau: Better or worse under 「Tibet Warming」?[J]. Remote Sensing Applications: Society and Environment, 2016, 3:36–44.

數據引用格式

(1) 王翠珍, 張麗, 劉雙俞, 等. 2000～2010年青藏高原植被物候數據集 [DB/OL].Science Data Bank, 2017. DOI: 10.11922/sciencedb.397.

(2) 王翠珍, 張麗, 邱玉寶, 等. 2010年青藏高原地表覆蓋種類圖 [DB/OL].Science Data Bank, 2017. DOI: 10.11922/sciencedb.398.

(3) 張炳華, 張麗. 2000～2015年青海湖環湖地區草地生物量數據集 [DB/OL].Science Data Bank, 2017. DOI: 10.11922/sciencedb.399.