下载:
-
植被对于气候变化、人类生存和社会发展都具有重大意义。遥感影像已成为提供植被状况连续信息的重要技术手段[1]，传感器的红光和红外波段可以反映高达90%的植被信息[2]，常被用于构建遥感植被指数，以实现大范围的植被动态监测。目前，归一化植被指数(NDVI)是应用最多的植被指数之一，被证明在地表植被调查[3-4]、碳循环监测[5-6]、作物产量评估[7]、荒漠化研究[8-9]等方面均有较好的应用。遥感技术发展近半个世纪，卫星传感器仍不得不在时间和空间分辨率之间做出权衡，少有数据能同时兼具高时空分辨率的特征[10]。最为典型的Landsat系列卫星数据，其多光谱波段影像空间分辨率为30 m，被广泛应用于植被覆盖类型制图及状况调查[11-14]，但其16 d的重访周期，加之云雨天气影响的延长，严重影响了其在植被动态监测方面的应用[15]。而MODIS数据的植被产品具有很好的一致性及多时相的特点，在植被物候、状况动态等监测中有良好的应用[16-20]，其最高250 m的空间分辨率，难以捕捉较小区域内的空间特征差异和满足精细化的植被监测管理[21]。为实现高精度的地表植被状况监测，研究人员提出了多源遥感数据时空融合，即通过融合高空间分辨率和高时间分辨率遥感数据，获得高时空分辨率数据[22]。
不同时空融合方法从不同角度出发，在不同研究区域获得了较好的融合效果，但是各方法之间的差异及其适用性还有待深入研究。石月禅等[23]以盈科灌溉区域为例，利用多时相MODIS数据和高空间分辨率的ASTER/TM影像，比对了基于时序数据的时空数据融合(STIFM)、基于混合像元分解的时空数据融合(STDFM)和基于增强型时空自适应反射率融合(ESTARFM)等3种模型，认为对于NDVI数据的融合，ESTARFM在异质性较强区域具有更好的适用性。HOBYB等[24]比对了时空自适应反射率融合(STARFM)、ESTARFM和灵活的时空数据融合(FSDAF)等3种模型融合生成高时空分辨率NDVI数据的效果，认为ESTARFM相对于另外2种模型融合结果更为准确，同时对于输入数据质量的敏感性较低，具有较高的稳定性。ZHOU等[25]比较了6种典型的时空融合模型，包括基于分解的数据融合(UBDF)、线性混合增长模型(LMGM)、STARFM、回归拟合空间滤波和残差补偿模型(Fit-FC)、一对字典学习模型(OPDL)、灵活时空数据融合模型(FSDAF)，并推荐由WANG等[26]提出的Fit-FC模型用于NDVI影像的时空数据融合。然而，这些研究多集中在不同模型的空间细节特征融合效果的比较，而少有关注不同模型的动态特征模拟效果。
三江源区域位于亚欧大陆中纬度地区，是全球气候变化最为敏感的生态区域之一，还是中国重要的生态缓冲区和生态系统服务功能区[27-28]，因而该区域的植被状况一直受到研究人员的重点关注[29-31]。本研究在三江源地区选取了2块地表特征具有一定差异的区域，比较STARFM、ESATARM、Fit-FC和规则集回归树融合模型(RPRTM)等4种不同遥感数据融合模型在NDVI时空融合中的应用能力。并以真实的Landsat影像为参考，通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征融合效果，同时将融合结果与MODIS时间序列NDVI进行比较，深入讨论不同融合模型的优点及适用性，及时准确地获取三江源地区生长季内连续的时空高分辨率数据，以便进行地表植被状况监测。
-
研究区域位于三江源的东北部，青海省贵南县北部地区(35°41′12′′~36°09′20′′N，100°31′52′′~101°12′39′′E)。在研究区内选取了2块具有不同地形特征的区域(图1)。区域1 (15 km × 15 km)位于研究区的西南角，主要地表覆盖类型为农业用地，其次是草地，在南部有部分的沙地；该区域地势较为平整，地表覆盖状况较为复杂，空间纹理特征丰富，且地物边界特征清晰明显。区域2 (12 km × 12 km)位于研究区的东北部，主要地表覆盖类型为森林，其次为草地；地表起伏较大(最大海拔高差达945 m)，北部有河流经过。所选择的2个区域地形地势特征及其地表覆盖都不相同，但都是在三江源区域非常具有代表性的地貌和植被类型。本研究采用的土地覆盖数据为ChinaCover[32]，空间分辨率为30 m。
图 1 研究区域地理位置、土地覆盖类型及Landsat-8全色影像示意图
Figure 1. Location, land cover and Landsat-8 panchromatic images of the study area
收集了研究区域2013年植被生长季内少云遮挡的高质量Landsat-8 OIL影像共3景，获取日期分别为6月12日(第163天)、6月28日(第179天)和10月2日(第275天)。在ENVI 5.1软件中对影像进行了辐射定标、大气纠正后，通过波段运算(近红外波段841~874 nm、红波段620~670 nm)，得到30 m分辨率的Landsat NDVI数据。
MODIS NDVI数据来自美国地质调查局(
https://lpdacc.usgs.gov )发布的MOD13Q1产品，16 d最大合成NDVI，空间分辨率为250 m。经过MODIS 数据重投影工具(MODIS Reprojection Tools，MRT)进行转投影和格式转换，同时将HDF文件格式转为TIF影像。MODIS NDVI数据获取日期分别为5月9日(第129天)、5月25日(第145天)、6月10日(第161天)、6月26日(第177天)、7月12日(第193天)、7月28日(第209天)、8月13日(第225天)、8月29日(第241天)、9月14日(第257天)、9月30日(第273天)。 -
比对3种基于权重的融合模型，包括STARFM[17]、ESTARFM[33]和Fit-FC[26]以及一种基于学习的融合模型RPRTM[34]在NDVI时空融合中的应用效果。基于30 m的Landsat影像和16 d步长的250 m MODIS NDVI数据，采用4种不同的时空融合模型生成30 m、16 d步长的NDVI数据。然后，根据融合后的NDVI数据的空间细节特征表达能力和时间动态监测效果，对4种不同融合模型进行评估。
以真实的Landsat NDVI影像作为参考，定性的目视判读和定量的统计分析来评价不同模型结果的空间融合效果[35]。目视判别可以通过查看融合后数据的空间细节特征，给出融合结果优劣的定性评价。而统计分析则可以通过计算站点尺度真实影像与融合结果间的决定系数(R2)，平均绝对误差(MAD)，以及均方根误差(RMSE)定量评价融合模型的效果。其中R2越接近于1则表示模型的拟合效果越好，MAD、RMSE的数值越低，表明回归模型精度越高。采用标准差(Std)、平均梯度(AG)和信息熵(IE)等3个特征指标对融合影像进行定量分析[36]。以真实的MODIS NDVI时间动态为参考，分析不同融合方法对地表植被动态特征的拟合效果。依据时间距离最短原则选择模型输入数据，采用4种时空融合模型分别生成了2个研究区域内的NDVI时间序列数据。再分别统计了3种不同植被类型(草地、耕地和森林)在MODIS以及4种不同时空融合模型生成的NDVI时间序列内的时间动态，通过相关分析比较不同融合模型结果与MODIS NDVI动态特征的相似性。
-
图2为以6月28日为目标时刻，STARFM、ESTARFM和Fit-FC和RPRTM生成的NDVI结果，以及对应的MODIS NDVI真值(6月26日)、Landsat NDVI真值(6月28日)。通过目视解译分析，在2个不同区域，这4种融合模型结果均能在一定程度上显示较高分辨率的空间分布特征。从区域1的Landsat NDVI真实影像(图2A)可以看出：该区域具有较为丰富的纹理特征，地块之间边界清晰，与MODIS NDVI影像( 图2B)空间格局基本一致。STARFM融合结果(图2C)中斑块化问题较明显，耕地边界出现锯齿状模糊不清，ESTARFM (图2D)和Fit-FC (图2E)的融合结果要明显优于STARFM，可以清晰看出耕地、草地和沙地等不同地物的空间分布，与Landsat真实影像相似度很高。该区域RPRTM融合结果纹理特征更为清晰(图2F)，可以清楚地看出不同耕地区域的边界，与Landsat NDVI真实影像一致性高，融合结果较好。
图 2 各种时空数据融合结果与对应的真实NDVI影像
Figure 2. Outputs of different models and real NDVI images
从区域2的Landsat NDVI真实影像中可以看到明显的地形起伏特征，以及清晰的河流边界(图2G)。MODIS NDVI影像的空间格局与Landsat基本一致，但森林区域的NDVI像元值略微偏低(图2H)。STARFM融合结果与Landsat NDVI影像的地形起伏格局基本一致，但是河流边界出现了若干的斑块问题(图2I)。ESTARFM融合结果具有清晰的地形变化特征，更接近Landsat NDVI真实影像，河流边界清晰可见(图2J)。Fit-FC融合结果(图2K)与Landsat真值影像相似，且与ESTARFM相近。RPTRM融合结果同样地形细节特征清晰，河流边界明显(图2L)。但与ESTARFM不同，RPRTM是以MODIS像元值为目标通过站点训练构建的融合模型，因而其融合结果像元值更接近于MODIS像元值，略低于Landsat影像的NDVI值。
-
从表1和图3可以看出：在区域1中，RPRTM与Landsat NDVI真值的R2最高(0.82)，MAD (0.04)和RMSE (0.04)相对较小，表明在该模型下预测图像所含信息丰富，效果最佳。其次为Fit-FC，与Landsat NDVI真值的R2为0.76，MAD、RMSE、Std、AG、IE分别为0.03、0.05、0.09、0.01、6.07；区域2的情况有所不同，ESTARFM与Landsat NDVI真值的R2最高，为0.95，MAD和RMSE最小，均为0.02，表明在该区域ESTARFM的融合结果与Landsat真实影像的相似度最高。造成这种差异的原因主要是相对于区域1，区域2模型输入数据(Landsat和MODIS)差异较大。STARFM、ESTARFM和Fit-FC同属于基于重构的多源遥感数据时空融合方法，根据光谱线性混合原理，通过2期MODIS影像的差异来模拟目标日期的Landsat，其融合结果与Landsat真值更为接近。而RPRTM则属于基于学习的多源遥感数据时空融合模型，以MODIS NDVI为目标变量进行模型训练，融合后结果与MODIS真值更为接近。所以当目标日期的Landsat影像与MODIS值差异较大时，RPRTM融合结果与Landsat影像的相似度相对较低。Fit-FC在区域1和区域2中与Landsat真实影像均有较高相似度，R2分别为0.76、0.90，表明该模型对多种地表覆盖状况的多源遥感数据融合有较好的适用性。
表 1 各模型融合结果比较
Table 1. Comparison of different model result
区域 融合模型 R2 MAD RMSE Std AG IE 区域1 Landsat 0.01 6.31 MODIS 0.02 6.33 STARFM 0.60 0.04 0.07 0.10 0.01 6.17 ESTARFM 0.66 0.04 0.06 0.09 0.01 6.08 Fit-FC 0.76 0.03 0.05 0.09 0.01 6.07 RPRTM 0.82 0.04 0.04 0.10 0.02 6.34 区域2 Landsat 0.02 6.13 MODIS 0.01 5.97 STARFM 0.88 0.02 0.07 0.09 0.01 5.92 ESTARFM 0.95 0.02 0.02 0.10 0.02 6.13 Fit-FC 0.90 0.17 0.18 0.15 0.03 6.92 RPRTM 0.62 0.03 0.06 0.07 0.02 6.02 
图 3 各融合结果与Landsat NDVI真实值之间的散点图
Figure 3. Scatter diagram between the fusion image and the real Landsat NDVI
-
图4包括了MODIS和Landsat的NDVI观测数据以及4种模型融合数据的NDVI时序统计结果，时间分辨率为16 d，从2013年的第129天(5月9日)到第273天(9月30日)。总体来看，对于3种不同植被类型，4种融合方法均能较好地模拟其季节动态特征，能准确反映不同植被的生长动态变化。融合后的NDVI时间序列波动趋势与MODIS NDVI基本一致，在生长季内呈明显的单峰特征。其中RPRTM融合后NDVI曲线与MODIS真值吻合度最高，几乎重叠，其次为Fit-FC、ESTARFM，最后为STARFM，表明RPRTM融合后的NDVI时间序列最接近MODIS真实值。通过相关性分析同样可以看出：对于3种不同地表植被，RPRTM融合结果均取得了与MODIS NDVI最高的相关性，在草地(R2=0.99)、耕地(R2=0.99)和森林(R2=0.97)区域，对于地表植被状况的季节动态捕捉与MODIS真实值保持着高度的一致性。
图 4 不同模型植被动态融合效果比较
Figure 4. Comparison of results of different fusion models
-
STARFM、ESTARFM、Fit-FC和RPRTM都是针对单一传感器，不能同时满足对高时空分辨率数据的需要所提出的多源遥感数据时空融合模型，通过联合MODIS系列数据的时间变化信息和Landsat影像的空间分布特征，生成具有高时空分辨率的数据。ZHANG等[37]基于STARFM融合的NDVI数据不仅能获得更好的地上生物量(AGB)估算精度，同时还能获取更详细的草地AGB时空变化信息，有助于草地状况的监测以及灾害评估。然而，本研究中2个研究区域的STARFM融合效果较ESTARFM和RPRTM都要弱。有研究表明：STARFM模型应用的最大问题即当实际条件不满足忽略空间定位误差和大气纠正误差的前提下时，融合结果的精度将受到限制[22]。ESTARFM是针对STARFM在地表空间异质性较高区域融合效果较差的问题所提出的改进方法，假设像元反射率随时间变化稳定且为线性变化，此假设使得在估算长时间数据时产生较大的误差，在一定程度上限制了其在反射率非线性变化的植被地区的应用。ZHOU等[25]比较了6种典型的时空融合模型，认为Fit-FC模型最适用于NDVI影像融合，且具有较好的抗几何误差能力，但对系统性辐射误差很敏感。因此，如果2个传感器之间存在明显的辐射不一致，Fit-FC的表现将会很差。在本研究中，Fit-FC不仅在空间维度上能获得较好的NDVI融合结果，融合影像纹理特征清晰，在时间维度上Fit-FC融合结果也能较好地捕捉生长季NDVI的动态变化特征。不同于前三者基于重建的融合模型，RPRTM是属于基于学习的多源遥感数据融合方法，通过学习训练在MODIS与Landsat间构建经验模型，再通过训练后的模型，基于Landsat影像实现MODIS的降尺度，但同样存在一定局限性。首先，模型精度很大程度上依赖于所选择的训练样本，导致模型稳定性较弱。其次，以低空间分辨率、高时间分辨率影像为模型训练的目标变量，导致Landsat影像中的一些极端像元值难以在融合后的影像中体现[38]。
本研究2个不同的区域同时考察了地表覆盖特征以及模型输入数据差异对于融合效果的影响。区域1地表覆盖状况较为复杂，纹理更丰富，具有更高的空间异质性，模型输入数据一致性较高。区域2地表覆盖状况相对简单，但模型输入数据差异较大。SATRFM和ESATRFM在区域2融合结果与Landsat真实值的相似性要高于区域1，而在地表空间异质性较高的区域融合效果相对较差，可以认为相对于模型输入数据的时空可比性，地表异质性对STARFM和ESTARFM融合效果的影响更大。基于学习的RPRTM的NDVI融合结果在区域1比区域2与Landsat真值的相似性要高，其原因在于RPRTM是以MODIS像元值为真值进行模型训练，融合后结果与MODIS真值更为接近。所以当目标日期的Landsat影像与MODIS值差异较大时，RPRTM融合结果与Landsat影像的相似度相对较低，模型输入数据差异对RPRTM影像较大。
-
4种融合方法中，地表覆盖状况对STARFM融合效果有较大的影响，在地表覆盖状况较为复杂的区域1，STARFM表现出较差的适用性(R2=0.60)。ESTARFM和Fit-FC在NDVI影像融合中的效果明显优于STARFM，可以有效地捕捉地表空间细节特征，更适用于复杂地表状况下的NDVI数据融合。从植被动态特征融合效果来看，4种融合模型对于3种不同植被类型均取得了较好的效果，其中RPRTM融合结果与MODIS NDVI的时间动态变化趋势最为一致。
Comparison of four fusion models for generating high spatio-temporal resolution NDVI
-
摘要:
目的 针对时空融合方法在遥感植被状况调查及动态变化监测中的应用，比对时空自适应反射率融合模型(STARFM)、增强型时空自适应反射率融合模型(ESTARFM)、回归拟合空间滤波和残差补偿模型(Fit-FC)和规则集回归树融合模型(RPRTM)等4种时空融合模型对归一化植被指数(NDVI)的融合效果。 方法 以三江源地区2块具有差异性地表特征的区域为研究样地，采用上述4种时空融合方法，融合空间分辨率30 m的Landsat 8影像和250 m时间步长16 d的MODIS NDVI数据，生成步长为16 d的30 m空间分辨率的NDVI数据。基于Landsat NDVI影像通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征模拟效果，并以真实的MODIS NDVI时间动态为参考，分析了不同融合方法对地表植被动态特征的拟合效果。 结果 ①关于空间特征的捕捉，在地表覆盖状况较复杂的区域，RPRTM融合效果最佳(R2=0.82)；而对于输入影像差异较大的区域，ESTARFM融合效果最佳(R2=0.95)。②关于时间动态的捕捉，RPRTM针对不同的植被型均取得了最佳效果(R2为0.97~0.99)。③相对于模型输入数据的时空可比性，地表异质性对STARFM和ESTARFM融合效果的影响更大。 结论 4种时空融合模型能有效用于生成高时空分辨率的NDVI数据，不同模型其融合效果各有不同，RPRTM在复杂地表区域与模拟植被生长动态变化中均有较好表现。图4表1参38 -
关键词:
- 时空数据融合 /
- 归一化植被指数 /
- 增强型时空自适应反射率融合模型 /
- 规则集回归树融合模型 /
- 回归拟合空间滤波和残差补偿模型
Abstract:Objective In order to choose adapted fusion methods in vegetation survey and dynamic monitoring, we applied four different spatio-temporal fusion models including spatial and temporal adaptive reflectance fusion model (STARFM), enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM), regression model fitting, spatial filtering and residual compensation (Fit-FC) and the rule-based piecewise regression tree model (RPRTM). Method Based on the four spatio-temporal fusion models (STARFM, ESTARFM, Fit-FC and RPRTM), two sampling regions (region Ⅰ and Ⅱ), with different surfaces characteristics in the Three-River Headwaters Regions were taken to generate the high spatial information of the Landsat NDVI (30 m, 16 d). Based on Landsat NDVI image, the spatial characteristics of the fusion data of different fusion models were evaluated by qualitative visual discrimination and quantitative statistical analysis. Meanwhile, based on the MODIS NDVI time series, the fitting effect of different fusion methods on the dynamic characteristics of surface vegetation was analyzed. Result (1) RPRTM had the optimal spatial fusion performance in region Ⅰ (R2=0.82); and ESTARFM performed the best in region Ⅱ (R2=0.95). (2) RPRTM has achieved the best fusion for capturing temporal dynamics (R2=0.97−0.99), where the NDVI dynamics were highly consistent with the temporal variations of MODIS. (3) Compared with the spatio-temporal comparability of model input data, landscape heterogeneity had a greater impact on the fusion effect of STARFM and ESTARFM. Conclusion Spatio-temporal fusion models can be used effectively to generate NDVI data at high spatial and temporal resolution, with different models having different fusion effects. RPRTM performing well in both complex surface areas and simulated vegetation growth dynamics. [Ch, 4 fig. 1 tab. 38 ref.] -
土壤是人类赖以生存的自然环境，也是农业生产的重要资源。然而，随着国民经济的加速发展，城市化、工业化进程的不断加快，农药、化肥的长期使用和污水灌溉等，农田土壤中的重金属不断累积，引发农田土壤重金属污染问题，导致农产品重金属积累和污染，并通过食物链进入人体，威胁人类的健康。农产品重金属污染问题变得越来越严峻[1-4]。土壤重金属污染具有隐蔽性、不可逆性和长期性的特点[5-6]，治理难度大。对土壤重金属污染状况进行监测，预防土壤重金属污染，开展土壤重金属污染农产品的风险评价极为重要，这也是国内外研究和社会关注的热点[7-9]。土壤重金属污染状况的正确评价可以为土壤安全利用、保障农产品安全生产及政府制定土壤保护政策等提供科学依据。评价土壤重金属污染的方法较多，常见的有内梅罗综合指数法、富集系数法、地累积指数法、潜在生态危害指数法等，迄今尚未形成一个成熟的方法和统一的标准[10-13]。水稻Oryza sativa是世界第二大粮食作物，也是中国第一大粮食作物。镉容易被水稻吸收，也是目前中国水稻生产中最主要的重金属污染元素[14]。在浙江省农产区不同土地利用类型中，稻田土壤中重金属平均含量最高[15]，但对稻米重金属污染状况的调查，特别是土壤和稻米协同采样的调查和污染评价研究却甚少[16]。嘉兴是浙江省杭嘉湖平原区重要产粮基地之一。已有文献报道：嘉兴市稻田土壤重金属总体状况良好，也存在着一些零星分布的土壤重金属超标区域，但尚未开展土壤-水稻系统协同采样和进行风险评价。基于此，本研究于2018年在水稻收获季，以已报道嘉兴市受重金属污染的稻田土壤区域及重点企业周边区域为主要对象，开展土壤-水稻样品协同采样，测定土壤和稻米中镉、铅、铬、砷等4种重金属元素质量分数，结合GB 15618−2018《土壤环境质量 农用地土壤污染风险管控标准(试行)》、GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》和GB 2762−2017《食品中污染物限量》，对土壤重金属污染状况和对水稻安全生产的污染风险进行评价，旨在进一步保护和利用土壤，为今后嘉兴市水稻土质量安全管理和土壤重金属污染治理方案的确定提供科学依据。
1. 材料与方法
1.1 研究区概况
嘉兴市地处浙江省东北部、长江三角洲杭嘉湖平原腹地，30°21′~31°02′N，120°18′~121°06′E。全市现辖海宁、桐乡、平湖、海盐、嘉善5个县(市)和南湖、秀洲2个区，陆地总面积4275.05 km2，全市户籍人口352.12万人。该市地处北亚热带南缘，属东亚季风区，冬夏季风交替，四季分明，气温适中，雨水丰沛，日照充足，年平均气温15.9 ℃，年平均降水量1168.6 mm，年平均日照2 017.0 h。地势低平。土壤母质主要为浅海沉积物、河流冲积物及湖沼相沉积物。
1.2 土壤样品采集与处理
以公开报道的嘉兴市土壤重金属信息为导向，并结合实地咨询和调查，本研究试验区域覆盖重金属接近和达到污染的土壤，同时兼顾选取重点行业企业等污染源周围稻田土壤(疑似)，并开展土壤和水稻样品协同采集。采用全球定位系统(GPS)定位，于2018年10月水稻收获时期，采集稻田0~20 cm土层土样，同时采集对应的水稻籽粒样品。为确保样品的代表性，在每个取样点以周围5 m×5 m正方形范围内设置6~8个采样点。每个采样点取土约0.5 kg，均匀混合为1份，按四分法保留分析样品约1.0 kg。土壤样品自然风干后混匀磨碎，过2.00 mm筛，用以测定pH和重金属有效态质量分数；取其中一部分过0.15 mm筛，用以测定土壤有机质和重金属全量。水稻样品选取籽粒部分，以自来水冲洗和去离子水洗净，70 ℃烘干至恒量，脱壳粉碎后备用。
1.3 样品分析与测定
土壤重金属全量采用硝酸-盐酸-高氯酸(HNO3-HCl-HClO4)混合酸微波消解后测定；土壤重金属镉有效态采用0.1 mol·L−1盐酸提取剂提取后测定；水稻籽粒重金属采用硝酸微波消解后测定。待测液中的镉、铅采用石墨炉原子吸收光谱仪测定，铬采用火焰原子吸收光谱仪测定，砷采用原子荧光光谱仪测定。测定时均加入国家标准土壤标样和大米国家标准参比物分别进行质量控制，分析结果符合质量控制要求。土壤pH用pH计按水土比2.5∶1.0浸提测定；土壤有机质采用重铬酸钾氧化-外加热法测定[17]。
1.4 污染评价方法与标准
目前，对于重金属污染的评价方法有很多，根据评价结果反映的主体可分为2类: 以重金属元素为主体的评价方法和以采样点为主体的评价方法[18]。本研究主要选取以重金属元素为主体的评价方法，单因子指数法和内梅罗综合指数法、富集系数法和地累积指数法、潜在生态指数评价法和生态风险预警指数法对嘉兴市水稻土壤重金属污染及其生态危害做出定量评价和风险预估。
1.4.1 单因子污染指数评价法和内梅罗综合指数法
单因子污染指数法[19]针对土壤中单一污染物的污染程度进行评价。其计算公式为：
$${P_i} = {C_i}/{S_i}{\text{。}}$$ (1) 式(1)中：Pi为重金属元素i的污染指数；Ci为重金属元素i的实测质量分数(mg·kg−1)；Si为重金属元素i的评价标准(mg·kg−1)。Pi的分级标准参见文献[19]。
内梅罗综合污染指数法[19]是在单因子指数的基础上对重金属污染进行综合评价。其计算公式为：
$$ P=\sqrt{\frac{{P}_{i\mathrm{m}\mathrm{a}\mathrm{x}}^{2}+{P}_{i\mathrm{a}\mathrm{v}\mathrm{e}}^{2}}{2}}{\text{。}}$$ (2) 式(2)中：P为土壤污染综合指数；Piave为土壤中各污染指数平均值；Pimax为土壤中各污染指数最大值。P的分级标准参见文献[19]。
1.4.2 富集系数法和地累积指数法
采用富集系数法[12]主要是评估和识别污染物来源。富集系数(E)的计算公式如下：
$$ E=\frac{({C}_{i}/{C}_{{\rm{n}}})_\mathrm{s}}{({C}_{i}/{C}_{{\rm{n}}})_{\rm{r}}}{\text{。}}$$ (3) 式(3)中：(Ci/Cn)s为土壤样品中重金属元素i与标准化元素n的测量质量分数比值，(Ci/Cn)r为土壤中重金属元素i与标准化元素n的背景值比。本研究选择锰为参比元素[20-21]。E值越大，富集程度就越高。E的分级标准参见文献[12]。
地累积指数(Igeo)法[12]被应用于人为活动产生的重金属对土壤污染的评价。Igeo的计算公式如下：
$$ {I}_{\mathrm{g}\mathrm{e}\mathrm{o}}={\mathrm{log}}_{2}\left[\frac{{C}_{i}}{k {B}_{i}}\right]{\text{。}}$$ (4) 式(4)中：Igeo为地累积指数；Ci为重金属元素i的实测值(mg·kg−1)；Bi为重金属元素i的地球化学背景值(mg·kg−1)；k为考虑造岩运动导致重金属背景值存在差异而设定的系数，一般为1.5。Igeo的分级标准参见文献[12]。
1.4.3 潜在生态风险评价指数法和生态风险预警指数法
潜在生态风险采用Hakanson提出的生态风险指数法进行评价。潜在生态风险指数IR的计算公式如下：
$${F_{{\rm{r}}i}} = {C_i}/{C_{\rm{n}}}\text{；}$$ (5) $${E_{{\rm{r}}i}} = {T_{{\rm{r}}i}} {F_{{\rm{r}}i}}\text{；}$$ (6) $$ {I}_{\mathrm{R}}=\sum\limits_{i=1}^{n}{E}_{\mathrm{r}i}\text{。} $$ (7) 式(5)~式(7)中：Ci为重金属元素i的实测值；Cn为重金属元素i的参比值(采用浙江省土壤环境背景值)[22]。Fri、Tri、Eri分别为第i种重金属污染系数、毒性响应系数和潜在生态危害指数。镉、铅、铬、砷的毒性响应系数分别为30、10、2、10[23]。潜在生态危害指数(Eri)越高，表明土壤受某个重金属污染的风险越高；IR被称为潜在生态风险指数，为多种重金属元素的潜在生态风险综合值，其值越大，土壤风险越高，据此可以根据Er和IR进行分类和风险评价[24]。
采用Rapan提出的生态风险预警指数(IER)对水稻土生态风险进行预警评估。IER的计算公式为：
$$ {I}_{\mathrm{E}\mathrm{R}}=\sum\limits_{i=1}^{n}{I}_{\mathrm{E}{\mathrm{R}}{i}}=\sum\limits_{i=1}^{n}\left(\frac{{C}_{{\mathrm{A}}{i}}}{{C}_{{\mathrm{R}}{i}}-1}\right)\text{。} $$ (8) 式(8)中：IER为生态风险预警指数；IERi为重金属元素i的生态风险指数；CAi为重金属元素i的实测质量分数；CRi为重金属元素i的参比值。预警分级标准根据IER进行分类和风险评价[25]。
1.5 数据处理与分析
采用Excel 2018对土壤重金属进行描述性统计分析。采用SPSS 22.0进行Spearman相关性分析。数据统计图表的绘制由Excel 2018和Origin 11.0完成。
2. 结果与分析
2.1 土壤pH和有机质质量分数
土壤重金属的生物有效性受诸多因子的影响。在水稻生产上，土壤pH和有机质质量分数对土壤重金属有效性的影响极为重要。相同的重金属质量分数，土壤高pH、高有机质有利于重金属有效性的降低，抑制水稻吸收积累重金属，稻米重金属污染风险下降。因此，国家标准中将土壤pH和有机质质量分数状况列为2个参数，制定土壤中重金属元素镉、铅、铬、汞、砷的最大允许质量分数，其允许值(阈值)随土壤pH和有机质质量分数的提高而增大，如当pH＜5、有机质质量分数＜20 g·kg−1时，土壤镉的安全阈值定为0.2 mg·kg−1；而当土壤pH≥7、有机质质量分数≥20 g·kg−1时，土壤镉的安全阈值定为0.5 mg·kg−1(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)。调研结果显示：本研究所调查的水稻土土壤pH和有机质质量分数的变化都较大，土壤pH为5.0~8.0，pH相差达3个单位，而土壤有机质质量分数为6.8~61.0 g·kg−1，相差近10倍(表1)，因而，允许的土壤重金属阈值不同。
表 1 土壤pH和有机质状况Table 1 Soil pH and organic matter content项目 pH 有机质/(g·kg−1) 项目 pH 有机质/(g·kg−1) 最小值 4.96 6.84 标准差 0.74 14.43 最大值 7.99 60.97 变异系数/% 12.06 39.91 平均值 6.15 36.15 2.2 土壤和大米重金属质量分数状况
本研究所调查区域水稻土重金属质量分数变幅较大，因不同元素而异。测定结果及描述性统计分析见表2和表3。土壤镉、铅、铬、砷质量分数范围分别为0.01~1.92、17.60~34.80、47.00~123.00、3.97~9.89 mg·kg−1，平均分别为0.36、25.78、72.73、7.55 mg·kg−1。土壤重金属质量分数与浙江省土壤重金属背景值相比，镉、铅、铬、砷分别有68.18%、13.64%、22.73%、54.55%的样品超过浙江省土壤背景值；与土壤环境质量标准[GB 15618−2018《土壤环境质量 农用地土壤污染风险管控标准(试行)》]中农用地土壤污染风险筛选值相比，只有部分稻田土壤镉质量分数有所超标，点位超标率为22.73%，但都低于风险管制值；与水稻安全生产标准(GB/T 36869−2018《水稻生产的土壤镉、铅、汞、砷安全阀值》)的土壤安全阈值相比，也只有镉质量分数超过规定限值，点位超标率为31.82%。
表 2 水稻土和稻米重金属质量分数Table 2 Contents of heavy metals in paddy soils and rice grains序号 土壤重金属/(mg·kg−1) 稻米镉/
(mg·kg−1)序号 土壤重金属(mg·kg−1) 稻米镉/
(mg·kg−1)镉 铅 铬 砷 镉 铅 铬 砷 1 1.07 28.00 69.00 6.86 0.056 12 0.17 27.70 68.00 7.47 0.024 2 0.14 25.60 68.00 7.69 0.006 13 0.01 24.90 123.00 7.30 0.029 3 0.22 23.80 78.00 7.53 0.019 14 0.17 22.20 65.00 6.95 0.045 4 0.09 19.90 69.00 7.64 0.004 15 0.11 27.30 69.00 7.63 0.061 5 0.45 17.60 63.00 6.92 0.024 16 0.15 27.60 73.00 7.98 0.026 6 0.30 27.90 67.00 8.35 0.015 17 0.09 23.30 59.00 5.89 0.005 7 0.27 29.40 90.00 9.64 0.041 18 0.56 23.90 61.00 6.56 0.030 8 0.24 29.10 69.00 7.85 0.018 19 0.09 20.30 73.00 7.86 0.028 9 0.17 34.20 64.00 7.40 0.009 20 0.33 23.80 98.00 8.19 0.025 10 0.47 34.80 73.00 9.89 0.051 21 0.18 21.00 47.00 3.97 0.049 11 0.29 24.10 61.00 8.13 0.009 22 1.92 30.70 93.00 8.49 0.062 表 3 水稻土重金属质量分数空间变异状况及超标率Table 3 Variation of heavy metal contents and exceeding standard rate in paddy soils重金属 重金属/(mg·kg−1) 标准差 变异系数/% 超标率Ⅰ/% 超标率Ⅱ/% 最小值 最大值 平均值 镉 0.01 1.92 0.36 0.41 120.10 31.82 22.73 铅 17.60 34.80 25.78 4.30 16.70 0 0 铬 47.00 123.00 72.73 15.66 21.53 0 0 砷 3.97 9.89 7.55 1.18 15.56 0 0 说明：超标率Ⅰ以水稻生产的安全阈值(GB/T 36869−2018)为参比值；超标率Ⅱ以风险筛选值(GB 15618−2018)为参比值。 变异系数可以反映一定区域内重金属元素的分布和污染程度的差异，变异系数越大代表元素质量分数差异越大、离散度越高，重金属质量分数受外界因素影响越大[26]。由表2可以看出：土壤重金属质量分数变异系数最大的是镉，达120.10%，表明土壤中镉的空间分布差异比较大，可能受人类活动及周边环境(企业工厂)的影响所致，其他重金属元素铅、铬、砷的变异系数都很小，为15.56%~21.53%，在空间上存在相似的污染程度。
表2与图1结果表明：除部分样点镉质量分数高于对应的风险筛选值和安全阈值外，土壤镉、铅质量分数水平均未超出对应安全阈值，说明被调查的土壤重金属污染(疑似)区域内水稻土虽然存在普遍的镉、铬、铅富集，但铬、铅未超出国家相关标准限值。土壤砷质量分数均低于水稻生产安全阈值和农用土壤污染风险筛选值。因此，对水稻安全生产而言，土壤镉累积现象最为凸显，可能会影响水稻的安全生产。
图 1 水稻土重金属质量分数分布箱线图Figure 1 Box plot of soil heavy metal content distribution in paddy soils虽然研究区域内有部分稻田土壤镉超过国家标准限值，但是稻米测定结果显示所采集的稻谷稻米镉质量分数为0.006~0.062 mg·kg−1，平均为0.029 mg·kg−1，均在安全范围以内，没有超过GB 2762–2017《食品中污染物限量》限额(0.200 mg·kg−1)。说明目前的土壤环境对所栽水稻品种是安全的。除了水稻自身因素外，稻米镉质量分数积累低还可能与重金属镉污染土壤的环境条件特别是土壤pH和有机质质量分数较高有关[27]。但是在本研究中，研究区稻米镉质量分数与土壤全量镉、有效态镉质量分数和土壤pH、有机质质量分数的相关性都不高，显示水稻土中全量镉、有效态镉、有机质质量分数和pH都不是影响稻米中镉质量分数高低的决定性因素(表4)。虽然稻米镉积累与有效态镉、有机质质量分数有一定的正相关性，而与pH呈负相关，但许多研究表明重金属的有效性会随着有机质的增加而降低[28]。说明稻米镉质量分数、土壤镉有效性与土壤环境条件关系复杂，同时这些结果还可能与水稻品种有关。因为水稻基因型是影响土壤-水稻系统中重金属的转移和生物利用度的主要因素，不同的水稻品种对土壤重金属的吸收、转移、富集能力不同，导致籽粒中重金属质量分数的差异。镉低积累水稻品种籽粒吸收积累镉少，在一定的土壤镉污染超标条件下，大米镉不会超标[19, 29]。
表 4 土壤全量镉、有效态镉、稻米镉和土壤pH、有机质的相关性分析Table 4 Correlation analysis of total soil Cd, available Cd, rice grain Cd, soil pH and SOM项目 土壤全量镉 土壤有效态镉 稻米镉 土壤pH 有机质 土壤全量镉 1 土壤有效态镉 0.508* 1 稻米镉 −0.090 0.138 1 pH 0.007 −0.169 −0.013 1 有机质 −0.233 −0.107 0.296 −0.306 1 说明：*表示在0.05水平上相关 2.3 水稻土重金属污染评价
2.3.1 单因子指数评价和内梅罗综合指数评价
以国家水稻生产的土壤安全阈值(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)为依据，计算研究区域水稻土土壤重金属的单项污染指数和综合污染指数。从表5可以看出：土壤重金属镉、铅、铬、砷的单项污染指数平均值分别为0.96、0.25、0.42、0.36。所有重金属单因子污染指数均小于1.00，属于清洁水平，说明研究区域水稻土处于安全水平。与稻米重金属质量分数测定结果一致。
表 5 水稻土重金属污染指数Table 5 Heavy metal pollution index of paddy soil统计指标 单因子污染指数 综合指数 镉 铅 铬 砷 最大值 3.84 0.46 0.82 0.52 2.84 最小值 0.04 0.09 0.24 0.20 0.28 平均值 0.96 0.25 0.42 0.36 0.81 标准差 0.84 0.10 0.12 0.08 0.57 变异系数/% 86.92 40.15 28.72 21.66 70.36 根据各重金属元素不同污染级别样点数占比可知(表6)，有68.18%的样点土壤镉单因子污染指数小于1.00，其余31.82%样点的土壤镉超标，其中轻度污染、中度污染、重度污染样点数分别占样点总数的22.73%、4.55%、4.55%。铅、铬、砷等3种元素的单因子污染指数全部都小于1.00，不存在污染情况。由此，镉是4种元素中积累最为严重的重金属元素。从内梅罗综合指数(表5和表6)看，研究区域土壤镉、铅、铬、砷重金属综合指数为0.28~2.84，各点位差异较明显。所有点位中63.64%的样点综合污染指数均小于0.70，也说明嘉兴市水稻土环境状况整体良好。处于警戒线的占13.64%，受污染的占22.72%，其中轻度污染的占18.18%，中度污染的占4.54%，无重度污染。对于处于警戒线，特别是部分已处于中、轻度污染的土壤应当引起高度重视。
表 6 基于污染指数法重金属污染程度占比Table 6 Proportion of heavy metal pollution based on pollution index method单因子指数 污染等级 各污染等级点位占比/% 综合指数 污染等级 各污染等级
点位占比/%镉 铅 铬 砷 P≤1 清洁 68.18 100 100 100 Pi≤0.7 安全 63.64 1＜P≤2 轻度污染 22.72 0 0 0 0.7＜ Pi≤1.0 警戒 13.64 2＜P≤3 中度污染 4.55 0 0 0 1.0＜ Pi≤2.0 轻度污染 18.18 P＞3 重度污染 4.55 0 0 0 2.0＜ Pi≤3.0 中度污染 4.54 2.3.2 富集系数评价和地累积指数评价
以浙江省土壤背景值作为依据，以锰元素作为校准元素进行对比，计算富集系数。对4种重金属元素的富集系数(E)进行分析比较(表7)，可以得出：4种重金属元素富集程度从大到小依次为镉、砷、铬、铅。铅、铬、砷区域富集污染程度为Ⅱ级，属于轻微富集、轻微污染；镉区域富集污染程度为Ⅲ级，属于中度富集、中度污染。镉、铅、铬、砷分别有18.18%、36.36%、27.27%、13.64%的采样点呈现无富集、无污染状态；分别有31.82%、59.09%、68.18%、81.82%的采样点表现为重金属轻微富集、轻微污染；分别有31.82%、4.55%、4.55%、4.55%的采样点表现为重金属中度富集、中度污染；还有18.18%的样点存在镉元素显著富集、强污染。
表 7 水稻土重金属元素富集系数和地累积指数评价特征值统计Table 7 Evaluation eigen value statistics of heavy metal element enrichment coefficient and geoaccumulation idex in paddy soil重金属 E E≤1 1＜E≤2 2＜E≤5 5＜E≤20 20＜E≤40 变化范围 平均值 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 镉 0.10~9.86 2.81 4 18.18 7 31.82 7 31.82 4 18.18 0 0 铅 0.60~2.13 1.23 8 36.36 13 59.09 1 4.55 0 0 0 0 铬 0.84~2.40 1.33 6 27.27 15 68.18 1 4.55 0 0 0 0 砷 0.87~2.13 1.41 3 13.64 18 81.82 1 4.55 0 0 0 0 重金属 Igeo Igeo≤0 0＜Igeo≤1 1＜Igeo≤2 2＜Igeo≤3 3＜Igeo≤4 变化范围 平均值 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 镉 −4.51~3.07 −0.11 12 54.55 6 27.27 2 9.09 1 4.55 1 4.55 铅 −1.37~−0.39 −0.84 22 100.00 0 0 0 0 0 0 0 0 铬 −1.31~0.08 −0.71 21 95.45 1 4.55 0 0 0 0 0 0 砷 −1.52~−0.20 −0.61 22 100.00 0 0 0 0 0 0 0 0 仍以浙江省土壤背景值进行参比。4种重金属的地累积指数法统计结果如表7所示。可以看出：4种元素Igeo从大到小依次为镉、砷、铬、铅。在所有样点中，砷、铅的地累积指数均小于0，呈现无富集无污染状态。污染最严重的重金属为镉，其平均地累积指数为−0.11，处于轻微污染的边界。但是各样点指数差异悬殊，特别是镉，在研究区中仅有54.55%的样点处于无富集、无污染状态，27.27%的样点处于轻微富集状态，9.09%的样点处于中度富集状态，4.55%的样点处于中强富集状态，4.55%的样点处于强富集状态。总体而言，该地区在人类生产、生活活动的影响下，镉元素积累明显，富集程度高；个别样点存在镉元素轻微富集污染，其他元素富集污染程度均为无污染。
2.3.3 稻田土壤中重金属潜在生态风险评价分析
以水稻生产的土壤安全阈值(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)指标为参比值，根据生态风险划分标准，对水稻土重金属污染进行潜在生态风险评价，评价结果(表8)显示：研究区域水稻土不同重金属单项潜在生态危害指数(Er)平均值从大到小表现为镉、砷、铅、铬。所有样点铅、铬、砷的潜在生态风险指数(IR)均小于40，处于轻微风险水平。土壤镉的潜在生态危害程度最高，平均值为28.83，生态危害系数变化幅度大，最高值为115.2，最低值为1.2，变异系数为86.92%。达到中等、较强生态危害的样点数分别占样点总数的18.18%、4.55%。土壤重金属综合潜在生态风险指数(IR)变化范围为9.08~121.36，平均值为35.73，变异系数为70.01%，呈现轻微生态风险水平，主要贡献因子是镉。从变异系数可以看出：研究区域内生态危害分布差异性大。但是所有样点的IR均小于150，全部样点均处于轻微生态风险水平。而土壤生态风险预警指数(IER)变化范围为−2.97~0.73，平均值为−2.01，处于无风险至预警级，仅有1个样点最大的IER为0.73，也在轻度预警级别。因此，采用潜在生态风险评价指数法和生态风险预警指数法都表明：研究区土壤重金属处于安全级别，污染风险较小。
表 8 水稻土重金属潜在生态风险评价Table 8 Potential ecological risk assessment of heavy metals in paddy soil统计指标 潜在生态危害指数(Er) 潜在生态风险
指数(IR)土壤生态风险
预警指数(IER)镉 铅 铬 砷 最大值 115.20 4.56 1.64 5.24 121.36 0.73 最小值 1.20 0.90 0.48 1.99 9.08 −2.97 平均值 28.83 2.47 0.84 3.58 35.72 −2.01 标准差 25.06 0.99 0.24 0.78 25.02 0.83 变异系数/% 86.92 40.15 28.72 21.66 70.01 −41.15 采用不同的方法对研究区域稻田土壤重金属污染风险评价的结果都表明：研究区域总体上处于安全水平；就单个重金属而言，土壤铅、铬、砷属于没有污染风险或轻微风险水平，而镉在某些点位稻田土壤中呈显著富集、轻中度污染，对水稻安全生产构成一定的风险。本研究协同采样测定结果显示：稻米各项指标均符合国家粮食安全标准(GB 2762−2017《食品中污染物限量》)。考虑到不同水稻品种对土壤镉吸收积累的差异，以及土壤环境条件特别是pH易受人为施肥管理等措施的影响，对土壤镉质量分数较高的点位，在今后的水稻生产管理中需要加强动态监测，关注土壤镉形态转化和有效性的变化，以保障水稻粮食生产安全[26, 28]。
3. 结论
采用多种方法对研究区域稻田土壤重金属污染风险进行评价，结果显示：研究区域水稻土壤总体上处于安全水平。协同采样测定结果显示：稻米各项指标均符合国家粮食安全标准(GB 2762−2017《食品中污染物限量》)。
采用E和Igeo的评价结果均得出4种元素富集程度从大到小依次为镉、砷、铬、铅，潜在生态危害由强至弱依次为镉、砷、铅、铬。研究区内镉富集(污染)最为明显，个别样点存在镉元素中轻度污染，镉是当前最主要的生态风险因子。
目前的土壤环境对当地的水稻栽培品种来说是安全的。在今后的水稻生产管理中仍需加强动态监测，关注土壤镉形态转化和有效性的变化，充分保障水稻粮食生产安全。
-
图 1 研究区域地理位置、土地覆盖类型及Landsat-8全色影像示意图
Figure 1 Location, land cover and Landsat-8 panchromatic images of the study area
图 3 各融合结果与Landsat NDVI真实值之间的散点图
Figure 3 Scatter diagram between the fusion image and the real Landsat NDVI
表 1 各模型融合结果比较
Table 1. Comparison of different model result
区域 融合模型 R2 MAD RMSE Std AG IE 区域1 Landsat 0.01 6.31 MODIS 0.02 6.33 STARFM 0.60 0.04 0.07 0.10 0.01 6.17 ESTARFM 0.66 0.04 0.06 0.09 0.01 6.08 Fit-FC 0.76 0.03 0.05 0.09 0.01 6.07 RPRTM 0.82 0.04 0.04 0.10 0.02 6.34 区域2 Landsat 0.02 6.13 MODIS 0.01 5.97 STARFM 0.88 0.02 0.07 0.09 0.01 5.92 ESTARFM 0.95 0.02 0.02 0.10 0.02 6.13 Fit-FC 0.90 0.17 0.18 0.15 0.03 6.92 RPRTM 0.62 0.03 0.06 0.07 0.02 6.02 
下载: 导出CSV
-
[1] 杨俊. 基于ETM+遥感影像的森林覆盖面积提取方法的研究[D]. 南京: 南京农业大学, 2006. YANG Jun. Study of Extracting the Forest Area Based on the ETM+ Remote Sensing Image [D]. Nanjing: Nanjing Agricultural University, 2006. [2] BARET F, GUYOT G, MAJOR D. TSAVI: a vegetation index which minimizes soil brightness effects on LAI and APAR estimation [C]// International Geoscience and Remote Sensing Symposium. 12th Canadian Symposium on Remote Sensing Geoscience and Remote Sensing Symposium. Vancouver: Institute of Electrical and Electronics Engineers, 1989: 1355 − 1358. [3] GEERKEN R, ZAITCHIK B, EVANS J P. Classifying rangeland vegetation type and coverage from NDVI time series using Fourier Filtered Cycle Similarity [J]. International Journal of Remote Sensing, 2005, 26(24): 5535 − 5554. [4] WARDLOW B D, EGBERT S L, KASTENS J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U. S. Central Great Plains [J]. Remote Sensing of Environment, 2007, 108(3): 290 − 310. [5] MASELLI F, CHIESI M. Integration of multisource NDVI data for the estimation of Mediterranean forest productivity [J]. International Journal of Remote Sensing, 2006, 27(1): 55 − 72. [6] PARUELO J M, EPSTEIN H E, LAUENROTH W K, et al. ANPP estimates from NDVI for the central grassland region of the United States [J]. Ecology, 1997, 78(3): 953 − 958. [7] ULLAH S, SI Yali, SCHLERF M, et al. Estimation of grassland biomass and nitrogen using MERIS data [J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19: 196 − 204. [8] 李晓松, 李增元, 高志海, 等. 基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J]. 中国沙漠, 2011, 31(1): 162 − 167. LI Xiaosong, LI Zengyuan, GAO Zhihai, et al. Estimation of vegetation cover in desertified regions from Hyperion imageries using NDVI and partial least squares regression [J]. Journal of Desert Research, 2011, 31(1): 162 − 167. [9] 刘广峰, 吴波, 范文义, 等. 基于像元二分模型的沙漠化地区植被覆盖度提取——以毛乌素沙地为例[J]. 水土保持研究, 2007, 14(2): 268 − 271. LIU Guangfeng, WU Bo, FAN Wenyi, et al. Extraction of vegetation coverage in desertification regions based on the dimidiate pixel model: a case study in Maowusu Sandland [J]. Research of Soil and Water Conservation, 2007, 14(2): 268 − 271. [10] HILKER T, WULDER M A, COOPS N C, et al. Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model [J]. Remote Sensing of Environment, 2009, 113(9): 1988 − 1999. [11] CONGALTON R, ODERWALD R G, MEAD R. Assessing Landsat classification accuracy using discrete multivariate analysis statistical techniques [J]. Photogrammetric Engineering and Remote Sensing, 1983, 49(12): 1671 − 1678. [12] YUAN Fei, SAWAYA K E, LOEFFELHOLZ B C, et al. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing [J]. Remote Sensing of Environment, 2005, 98(2): 317 − 328. [13] DUBE T, MUTANGA O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment South Africa [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 36 − 46. [14] SCHMIDT T, FORSTERET M, GÄRTNER P, et al. Prediction of NDVI for grassland habitats by fusing RapidEye and Landsat imagery [C]// Geoscience and Remote Sensing Society. 2015 8th International Workshop on the Analysis of Multitemporal Remote Sensing Images (Multi-Temp). Annecy: Institute of Electrical and Electronics Engineers, 2015: 1 − 4. [15] EMELYANOVA I V, MCVICAR T R, van NIEL T G, et al. Assessing the accuracy of blending Landsat-MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics: a framework for algorithm selection [J]. Remote Sensing of Environment, 2013, 133(suppl C): 193 − 209. [16] REEVES M C, ZHAO Maosheng, RUNNING S W. Applying improved estimates of MODIS productivity to characterize grassland vegetation dynamics [J]. Rangeland Ecology &Management, 2006, 59(1): 1 − 10. [17] GAO Tian, XU Bin, YANG Xiuchun, et al. Using MODIS time series data to estimate aboveground biomass and its spatio-temporal variation in Inner Mongolia’s grassland between 2001 and 2011 [J]. International Journal of Remote Sensing, 2013, 34(21): 7796 − 7810. [18] GU Yingxin, 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(1): 31 − 36. [19] LI Fei, JIANG Lei, WANG Xufeng, et al. Estimating grassland aboveground biomass using multitemporal MODIS data in the West Songnen Plain, China [J/OL]. Journal of Applied Remote Sensing, 2013, 7(1): 073546[2022-06-01]. doi: 10.1117/1.JRS.7.073546. [20] JIN Yuanxiang, YANG Xiuchun, QIU Jianjun, et al. Remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, northern China [J]. Remote Sensing, 2014, 6(2): 1496 − 1513. [21] BOYTE S P, WYLIE B K, RIGGE M B, et al. Fusing MODIS with Landsat 8 data to downscale weekly normalized difference vegetation index estimates for central Great Basin rangelands, USA [J]. GIScience &Remote Sensing, 2017, 55(3): 376 − 399. [22] GAO Feng, MASEK J, SCHWALLER M, et al. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2207 − 2218. [23] 石月婵, 杨贵军, 李鑫川, 等. 融合多源遥感数据生成高时空分辨率数据的方法对比[J]. 红外与毫米波学报, 2015, 34(1): 92 − 99. SHI Yuechan, YANG Guijun, LI Xinchuan, et al. Intercomparison of the different fusion methods for generating high spatial-temporal resolution data [J]. Journal of Infrared and Millimeter Waves, 2015, 34(1): 92 − 99. [24] HOBYB A, RADGUI A, TAMTAOUI A, et al. Evaluation of spatiotemporal fusion methods for high resolution daily NDVI prediction [C]//GERAID S. 2016 5th International Conference on Multimedia Computing and Systems. Marrakech: Institute of Electrical and Electronics Engineers, 2016: 121 − 126. [25] ZHOU Junxiong, CHEN Jin, CHEN Xuehong, et al. Sensitivity of six typical spatiotemporal fusion methods to different influential factors: a comparative study for a normalized difference vegetation index time series reconstruction [J]. Remote Sensing of Environment, 2021, 252: 112 − 130. [26] WANG Qunming, ATKINSON P M. Spatio-temporal fusion for daily Sentinel-2 images [J]. Remote Sensing of Environment, 2018, 204: 31 − 42. [27] JIANG Chong, ZHANG Linbo. Climate change and its impact on the eco-environment of the Three-Rivers Headwater Region on the Tibetan Plateau, China [J]. International Journal of Environmental Research and Public Health, 2015, 12(10): 12057 − 12081. [28] ZENG Na, REN Xiaoli, HE Hongli, et al. Estimating the grassland aboveground biomass in the Three-River Headwater Region of China using machine learning and Bayesian model averaging [J/OL]. Environmental Research Letters, 2021, 16: 114020[2022-06-01]. doi: 10.1088/1748-9326/ac2e85. [29] 曾纳, 任小丽, 何洪林, 等. 基于神经网络的三江源区草地地上生物量估算[J]. 环境科学研究, 2017, 30(1): 59 − 66. ZENG Na, REN Xiaoli, HE Honglin, et al. Aboveground biomass of grasslands in the Three-River Headwaters Region based on neural network [J]. Environmental Research Letters, 2017, 30(1): 59 − 66. [30] 易湘生, 尹衍雨, 李国盛, 等. 青海三江源地区近50年来的气温变化[J]. 地理学报, 2011, 66(11): 1451 − 1465. YI Xiangsheng, YIN Yanyu, LI Guosheng, et al. Temperature variation in recent 50 years in the Three-River Headwaters Region of Qinghai Province [J]. Acta Geographica Sinica, 2011, 66(11): 1451 − 1465. [31] 刘纪远, 徐新良, 邵全琴. 近30年来青海三江源地区草地退化的时空特征[J]. 地理学报, 2008, 18(4): 364 − 376. LIU Jiyuan, XU Xinliang, SHAO Quanqin. Grassland degradation in the “Three-River Headwaters” region, Qinghai Province [J]. Acta Geographica Sinica, 2008, 18(4): 364 − 376. [32] 吴炳方, 苑全治, 颜长珍, 等. 21世纪前十年的中国土地覆盖变化[J]. 第四纪研究, 2014, 34(4): 723 − 731. WU Bingfang, YUAN Quanzhi, YAN Changzhen, et al. Land cover changes of China from 2000 to 2010 [J]. Quaternary Sciences, 2014, 34(4): 723 − 731. [33] ZHU Xiaolin, CHEN Jin, GAO Feng, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions [J]. Remote Sensing of Environment, 2010, 114(11): 2610 − 2623. [34] GU Yingxin, WYLIE B K. Downscaling 250 m MODIS growing season NDVI based on multiple-date Landsat images and data mining approaches [J]. Remote Sensing, 2015, 7(4): 3489 − 3506. [35] LIU Maolin, KE Yinghai, YIN Qi, et al. Comparison of five spatio-temporal satellite image fusion models over landscapes with various spatial heterogeneity and temporal variation [J/OL]. Remote Sensing, 2019, 11(22): 2612[2022-06-01]. doi: 10.3390/rs11222612. [36] 张小利, 李雄飞, 李军. 融合图像质量评价指标的相关性分析及性能评估[J]. 自动化学报, 2014, 40(2): 306 − 315. ZHANG Xiaoli, LI Xiongfei, LI Jun. Validation and correlation analysis of metrics for evaluating performance of image fusion [J]. Acta Automatica Sinica, 2014, 40(2): 306 − 315. [37] ZHANG Binghua, ZHANG Li, XIE Dong, et al. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation [J/OL]. Remote Sensing, 2016, 8(1): 10[2022-06-01]. doi: 10.3390/rs8010010. [38] LI Aihua, BO Yanchen, ZHU Yuxin, et al. Blending multi-resolution satellite sea surface temperature (SST) products using Bayesian maximum entropy method [J]. Remote Sensing of Environment, 2013, 135: 52 − 63. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220381
点击查看大图
计量
- 文章访问数: 1073
- HTML全文浏览量: 144
- PDF下载量: 61
- 被引次数: 0
