引言

NOAA/AVHRR资料用于草地估产已有很多的研究^[1-3]，方法主要是建立AVHRR NDVI与草产量之间的一元线性模型和指数模型。随着1999年Terra/MODIS卫星的发射，利用MODIS-NDVI与MODIS-EVI反演牧草产量的研究工作更是方兴未艾^[4-6]。青海省气象局曾利用NOAA/AVHRR建立了草地资源遥感动态监测系统，为当地畜牧业生产和生态环境保护做出了重要的贡献^[7]。

基于MODIS的EVI植被指数与AVHRR NDVI植被指数相比, 具有以下一些特点:第一, 具有较高的空间分辨率, 可详细地反映地表植被特征。第二, 红光和近红外探测波段的范围设置更窄, 不仅提高了对稀疏植被探测的能力, 而且减少了水汽的影响, 同时, 引入了蓝光波段对大气气溶胶进行了修正^[8-9]。另外，MODIS带有的3个在轨定标器对于太阳反射波段的定标可以大大提高定标精度, 避免了由定标不确定性导致的植被指数的不确定性。因此MODIS EVI更能稳定地反映植被状况。本研究利用青海省22个生态环境观测站点2003年和2004年所测牧草鲜草产量资料和与之相对应时段的MODIS EVI资料，建立了基于MODIS EVI数据的青海省牧草产量监测模型，并投入了业务使用，取得较好的服务效果。

1 研究区概况

青海省是中国五大牧区之一，其天然草场面积占全国草场面积的十分之一，位居第四。全省天然草场面积大，分布广，所处自然条件差异显著。草场类型有山地干草原、高寒干草原、山地草甸、高寒草甸、山地荒漠、平原荒漠、高寒荒漠，沼泽化草甸，灌丛、疏林等。其中高寒草甸面积为2400×10⁴ hm²，占全省草地面积的65.06%，构成了全省草场的主体。

2 资料来源 2.1 牧草产量实测值

研究中所用牧草地面实测资料由青海省气象局2002年所建的青海省22个生态环境监测站(图 1，见彩页)提供，数据为2003、2004年5、6、7、8月底所测的牧草单位面积的鲜草重量，单位为:kg·hm^-2。

2.2 MODIS遥感数据

MODIS资料是由青海省遥感中心接收的2003、2004年5、6、7、8月份逐日的经过MODIS接收处理系统预处理(投影、定标、太阳高度角订正等)后生成的青海省范围的数据, 然后进行云区识别，植被指数EVI的计算及多时相植被指数的合成。

3 遥感资料的处理 3.1 云区识别

采用归一化云检测指数^[10]的方法。它可表示为：

(1)

其中，B₁和B₁₈对应于MODIS的第1波段(0.62~0.67μm)和第18波段(0.931~0.941μm)。由于云、雪反射光谱在MODIS的第1波段呈高反射特征，而在第18波段因受水汽影响，其反射特征为吸收谷，故其云检测指数为正(I_CD>0)；而土壤反射光谱在这两个波段处的反射特性差异不大，所以云检测指数接近0(I_CD=0)；植被反射光谱在第1波段呈低反射，而在第18波段呈高反射，因此其云检测指数为负(I_CD < 0)。由此得到的结果中，云和陆地的分界线清晰，云的特征明显，但云和雪还需作进一步的区分。

由于雪在可见光波段有较高的反射率, 在近红外波段有较强的吸收特性; 而大多数云(尤其是积云)，在短波近红外波段的反射率仍然比较高，1995年Hall等建立了运用归一化积雪指数的方法将雪和积云区分开来。

(2)

式中, B₄、B₆分别是MODIS第4波段(0.545~0.565μm)和第6波段(1.628~1.652μm)的反射率。

对于薄云可用两种方法将其与雪区分开来。一是根据水汽在MODIS第26波段(1.36~1.39μm)的强吸收特征, 设定判断阈值; 二是利用MODIS第20波段(3.66~3.84μm)和31波段(10.78~11.28μm)的亮温差来判断薄卷云。

3.2 植被指数EVI的计算

基于MODIS的增强性植被指数可表达为^[8]:

(3)

其中：L为土壤调节参数，一般取1, 参数C₁和C₂分别为红光和蓝光的大气修正系数，一般取6.0和7.5，B₁、B₂和B₃分别为红光、绿光和蓝光波段反射率，对应于MODIS的第1波段(0.62~0.67μm)、第2波段(0.841~0.876μm)和第3波段(0.459~0.479μm)。

3.3 最大植被指数的合成

为了排除云雾等的影响，采用最大植被指数合成法(即MVC法)，MVC倾向于选择最“晴空”的、最接近于星下点和最小太阳天顶角的像元。在研究中根据牧草监测资料的时段，合成最大植被指数图，研究中以月为单位，合成2003和2004年5、6、7、8月的最大植被指数图。

4 建立监测模型 4.1 按牧草生长季建立回归方程

在2003、2004年5、6、7、8月的月最大植被指数图上读取青海省22个生态环境监测站的EVI值，并与同期的牧草实测值建立回归方程，经对比，指数关系拟合效果最佳，牧草生长季内各月的产量检测模型见图 2。

4.2 按草地类型建立回归方程

由于22个牧草监测站中高寒草甸类占了14个，加之高寒草甸草地占全省草地面积的65%以上，因此以高寒草甸类为例，建立了高寒草甸草地牧草产量监测模型，结果见表 1。与其他类型相比，按草地类型建立的监测模型相关性较差。

5 应用实例

选取2006年8月6日MODIS晴天资料，利用8月份牧草产量检测模型进行牧草监测。按青海省草地资源等级将产量分为如下8个等级^[11]，< 750kg·hm^-2、750~1500kg·hm^-2、1500~3000kg·hm^-2、3000~4500kg·hm^-2、4500~6000kg·hm^-2、6000~7500kg·hm^-2、7500~9000kg·hm^-2和>9000kg·hm^-2, 结果(图 3，见彩页)。同时，在8月7—10日进行了野外考察和观测，实测值与模式计算结果对比见表 2。可见，利用牧草生长季内监测模型进行全省范围牧草产量的监测，能够满足为地方政府服务的需要。

6 结论

由上可见，牧草产量和MODIS EVI数据之间具有较高的相关性，其指数关系模型能较好地反映牧草地上部分草地生物量。另外，按草地类型建立的监测模型R²值明显小于按牧草生长季建立模型的R²值。