复杂地形草地植被碳储量遥感估算研究进展

陆地生态系统碳循环是全球碳收支的重要组成部分, 每年可从大气中固定约3.2 Gt C(1 Gt=1015 g), 主要储存在土壤(1500—2400 Gt C)、植被(450—650 Gt C)和冻土碳库(约1700 Gt C)中[1]。草地作为重要的陆地生态系统类型, 覆盖了全球40%的陆地表面(不包括南极洲和格陵兰岛), 分布在多个地质和气候区, 其碳库占陆地生态系统碳储量的34%[2]。在草地生态系统中, 尽管土壤储存了大部分的碳, 但其来源主要是草地植被通过凋落物、根系残体和分泌物等方式输入[3]。准确估算草地植被碳储量是评估草地植被对大气CO2的固定能力和对土壤碳库贡献的基础[4-5]。

复杂地形的定义是：在海拔低于500 m时高差大于100 m的区域; 海拔介于500—2500 m时高差大于300 m或坡度大于5°的区域; 海拔高于2500 m时高差大于500 m或坡度大于10°的区域[6]。其定义尺度多介于局地(local)和区域(regional)尺之间[7]。复杂地形的基本特征是垂直高差较大, 因而地形起伏, 坡向杂乱。这一基本特征影响复杂地形上的水热特征, 如温度和太阳辐射随海拔变化[8], 太阳辐射和土壤温湿度受坡向影响[9-10], 地表径流、入渗和土壤侵蚀等因坡度分异[11]。不同的水热特征营造出不同的微气候, 进而形成了复杂地形特有的生态系统结构和功能[12]。

草地生物量和草地面积是草地植被碳储量估算的关键因子[13], 大尺度上两者的估算主要通过遥感方法来实现, 如草地生物量的空间分布和动态变化多是借助遥感影像信息(反射率、植被指数、叶面积指数等)和地面实测生物量, 通过经验建模[14]、物理反演[15]、结合植被生长过程模型模拟[16]等方法进行估算; 草地面积多是由土地覆盖产品或植被分类图中草地的像元数目和分辨率相乘计算得到[17]。草地植被碳储量的遥感估算已经广泛应用于平坦地形并且估算精度理想, 但鉴于复杂地形这一迥异于平地的几何形态特征和水热特征, 遥感影像信息的准确性和估算方法的适用性在复杂地形面临诸多挑战：①遥感数据产品和气象数据产品受到地形起伏影响, 存在地形效应, 不能真实反映地物或地表信息[18]; ②土地覆被数据或植被分类图等遥感产品忽视了地形起伏对草地面积的影响, 低估草地面积[17]; ③现有分辨率的气象数据难以与复杂地形上的微气候精确匹配[19]; ④复杂地形的几何特征和水热特征使得植被的生长策略和生长状况与平地有较大差异[9-10], 降低了遥感-过程模型的模拟精度[20]和经验统计模型的拟合精度[21]; ⑤遥感影像地形效应的大小和碳储量估算模型的稳定性更易受到遥感影像尺度选择的影响[22-23]等。基于此, 本文主要从遥感估算方法入手, 结合各方法中所需的遥感和生态参数, 对：(1)草地植被碳储量遥感估算及其在复杂地形上的适用性; (2)复杂地形植被碳储量遥感估算的数据选择; (3)复杂地形下遥感影像地形效应的去除和尺度选择等3个方面进行整理, 以期为准确估算复杂地形区草地植被碳储量提供参考。

草地植被碳储量遥感估算的核心是识别不同类型的草地, 分别测算各类型草地生物量和面积[13]。这一目标的实现需要以准确的遥感影像信息和适用的估算方法为支撑, 因此, 本部分首先整理了我国草地植被碳储量估算的研究(表 1), 在此基础上分析草地生物量和草地面积的遥感估算方法及各方法所需遥感和生态参数在复杂地形的适用性。需要注意的是, 相较某一时刻生物量, 年最大生物量能更好地表征植被的固碳能力[36], 但由于地下生物量的遥感测定相对困难, 因此多以当年群落地上生物量最大时的总生物量来表征植被碳储量, 本文中草地生物量亦以此表征; 在草地植被碳储量估算中常引入净初级生产力(Net Primary Productivity, NPP), 在不考虑动物采食的情况下, 草地NPP、年最大生物量和草地植被碳储量的关系如图 1所示。

遥感经验模型估算植被生物量的方法有两类, 一是利用遥感影像的反射率或者植被指数与地面实测生物量拟合建立数学模型, 通过易获取的遥感数据, 来推算草地植被的生物量或NPP[14, 35]; 二是基于光能利用率模型, 根据光合有效辐射和光能利用率来估算NPP[37]。

两类方法在平坦地区的应用相对成熟, 发展了解决其不足之处的替代方案。针对归一化植被指数(Normalized Difference Vegetation Index, NDVI)随着植被覆盖度升高而逐渐“饱和”的问题, 可在高覆盖区采用增强型植被指数(Enhanced Vegetation Index, EVI)以避免生物量或NPP被低估[38]; 针对每年地上生物量峰值期的推算问题, 可将研究区NPP遥感产品(如MOD17)中各像元之和最大时对应的日期作为生物量峰值期, 在该日期前后所测的生物量则根据地上生物量动态, 取合适的系数进行修正[4, 14]。

在复杂地形区, 遥感影像质量和建模因子影响遥感经验模型的估算精度。遥感影像质量主要受云和地形效应的影响[18, 39-40], 考虑云的普遍性, 本部分重点论述遥感影像的地形效应和建模因子的选择。

建立和应用遥感估算模型需要假设同种植被在长势相同时, 其地表反射率也相同或接近, 但是在复杂地形下这一假设不能成立, 原因在于遥感影像存在严重的地形效应——植被阳坡反射率明显高于阴坡反射率[41]。若用复杂地形区的“病态”反射率数据建立模型, 将其扩展到区域内的平坦地形时就会产生极大的误差; 同理, 以同区域平坦地形区建立的遥感经验估算模型也难以扩展到复杂地形区[42]。遥感植被指数是以地表反射率为基础计算得到的, 因此在复杂地形下也存在相似的地形扭曲问题。不同波段的地形敏感性也不相同, 其中近红外波段比红光波段更易受地形影响, 原因在于红光有更强的天空漫反射, 因而削弱了地形的影响[43]。叶面积指数(Leaf Area Index, LAI)是描述植被冠层结构和功能的常用指标, 是碳循环模拟的关键参数[6]。但由于上坡向和下坡向的路径长度不同, 导致上坡向冠层间隙率小而下坡向冠层间隙率大, 因而遥感反演的LAI也存在地形效应, 其大小随坡度的增大而增大, 在坡度小于30°时基本可忽略不计, 而当坡度大于30°, 地形效应会是LAI间接测量的一个中等误差源[44-45]。

除反射率和植被指数等, 地形遥感数据成为复杂地形上生物量经验建模中不可或缺的辅助数据[40]。地形信息(如海拔、坡度、坡向)可由数字高程模型(Digital Elevation Model, DEM)推算获得。不同于反射率和植被指数等被动光学遥感成像产品, DEM由雷达干涉测量技术获得, 很少受地形效应影响, 是反射率和植被指数等遥感影像地形校正的基础数据[41]。同时, 地形对研究区水热的再分配使得地形因子和生物量之间存在较好的相关关系。常学礼等[46]分析了NPP和地形因子的关系, 发现地形极大地改变了NPP, 其中海拔引起NPP变化幅度最大, 坡度次之, 坡向最小。孙庆龄等[47]对武陵山区植被NPP和地形因子之间进行统计分析, 发现随海拔的升高, NPP呈现先增加后降低的趋势, 植被NPP随坡度的变化与其随高程变化模式类似。机器学习可以充分利用地形及多源信息估算植被生物量, 修晓敏等[48]基于Google Earth Engine与机器学习的方法, 估算了省级尺度草地生物量, 估算结果精度明显高于单一NDVI估算的生物量。尽管地形因子与生物量相关性较好, 但多数研究仅使用单一地形参数(如坡度、坡向、海拔等), 并没有考虑地形生态指标或者地形综合指标。地形湿度指数(topographic wetness index, TWI)综合考虑了地形和土壤特性对土壤水分分布的影响, 可以较好地指示不同地形位置处土壤水分的干湿状况[49]。在欧洲草地, Moeslund等[50]研究发现TWI与植被多样性具有很好的相关关系, 强调草地管理中不可忽视水文过程的影响。作为近年来的新兴地形综合指标, 地形复杂度可全面、客观地量化地形整体变化趋势[51], 对遥感像元光谱变化的解释度高于单一地形因子[52], 但该指标在草地生态系统应用较少, 仅有部分研究[53]应用该指标进行生态系统服务评价。

针对遥感影像的地形效应问题, 将地形校正后的真实光谱信息与实测生物量建立模型, 可以使遥感经验模型的精度有较大的提高[54]。但是这种植被碳储量的估算方法本质上还是属于经验性的方法, 在空间、时间尺度上难以延伸和扩展[12, 42]。为此, 如何将已有的反演植被碳储量的遥感物理模型应用到复杂地形上是当前备受关注的研究重点, 已经提出了一些值得尝试的方向, 如考虑局地地形对成像几何的影响, 将平坦地表的物理模型应用到复杂地形[55]; 调整山地物理模型驱动数据的范围, 使之更符合山地的实际情况[56]等。但是总体上看, 迄今并未发展出成熟的山地生态参数遥感物理模型。

相较于遥感经验模型和遥感物理模型的瞬时性, 遥感-过程模型的最大优势是能够连续估算植被的NPP, 有效反映NPP和植被碳储量的动态变化[57]。遥感-过程模型以NDVI或LAI等遥感数据和气象数据为主要遥感输入参数, 通过模拟生态系统中与碳的收支直接相关的一系列过程, 进而实现对植被NPP和碳储量的模拟[58]。具体包括：太阳辐射转化为土壤和植被冠层的感热和潜热, 影响生态系统蒸散发和温度变化; 结合光照在冠层内的辐射传输, 气孔调节对CO2吸收和对水分散失的控制, 以及光合作用的羧化、电子传递和呼吸作用等关键过程。MODIS的NPP年产品是对上述过程的简化, 它通过遥感光能利用率模型来模拟大尺度上的总初级生产力, 再基于LAI和比叶面积模拟根、茎、叶的维持呼吸和生长呼吸等生理过程, 从而获得日NPP估算值, 累积即可实现年尺度NPP的估算[59]。在此过程中, 将日尺度的呼吸转化到年尺度以减小误差。

遥感-过程模型虽然机理明确, 但由于复杂地形固有的环境特征, 如高度异质性的微气候, 多出现在山区, 其高海拔、低温、强辐射和低CO2分压等特殊环境条件, 使得植被有着显著不同于平地植被的光合和呼吸特征, 并且在复杂地形区的研究相对匮乏, 一些关键生态参数和指标需要通过大量实验才能获取, 否则只能借鉴文献统计的结果, 薄弱的研究基础更加剧了上述困难[60]。复杂地形区, 遥感-过程模型中易受地形影响的主要参数和指标如下：

(1) 光合最适温度。全球植被的光合最适温度与生长季气温相近, 都低于叶片的光合最适温度[61], 青藏高原高寒草地植被光合最适温度最低, 并且随着海拔升高而下降, 如矮嵩草在海拔3200 m处生长的光合适温为25℃左右, 海拔3985 m处为15℃左右[62]。但目前遥感-过程模型在模拟光合过程时通常设置单一最适温度, 并未考虑复杂地形下的海拔和微气候差异导致的光合最适温度的不同, 如Chen等[11]应用BEPS模型模拟山区植被NPP时, 就假定所有海拔植物的最适温度均为20℃, 因而降低了NPP估算的准确度。

(2) 土壤水分的模拟。对于水分限制的草地植被, 植物的气孔导度、光合作用和生长对土壤水分的变化很敏感[11]。当前过程模型中的土壤水移动大多只是考虑垂直向下的方向, 而在复杂地形条件下, 倾斜坡面成为主要的地形特征, 土壤水的侧向流动不容忽视[11]。有研究发现, 如果不考虑土壤水分的侧向流动, 就会高估山区的NPP; 而耦合TerrainLab模型来模拟侧向水流, NPP的估算精度明显提高[11]。此外, 高寒地区多年冻土的融化也为土壤水分提供了一个重要来源, 它不仅可以直接为植被生长提供水分, 而且还会通过微生物聚集产热加剧土壤碳分解, 提高地表大气CO2浓度, 间接影响植被的NPP[63]。

(3) 复杂地形草地的放牧过程难以准确模拟。大量研究已经证明放牧强度是影响草地退化程度和速度的主导因子之一, 但现有的过程模型尚无法准确反映复杂地形草地放牧强度的时空差异及其对NPP估算的影响[16]。由于放牧强度的估计需要家畜数量的数据, 但是目前尚不能获取草地家畜数量的实时数据, 因而在放牧模拟中基本上都是根据行政区域的家畜统计数据, 即使用区域(省、县、市)内所有牲畜的平均密度来代表研究区草地的放牧强度[64], 这显然与复杂地形草地的情况相去甚远。同时, 草地种类不同、质量优劣、离放牧点的距离远近和地势地形等都会导致家畜分布出现时空差异, 成为制约复杂地形下过程模型模拟放牧的关键。

(4) 复杂地形上植被类型和植被物候的空间差异加大, 因而不同地理位置上可能有不同的群落类型[65], 即使是同种群落生长状况可能也不相同。有研究发现草地返青期主要受温度控制, 而枯黄期则受温度和降水的双重调控, 因此随着海拔的升高返青期推迟[66-67]、枯黄期提前[66]、生长期长度缩短[66-67]。坡向直接控制太阳辐射的入射量, 进而影响地表温度和土壤湿度, 因此越是向阳的坡向, 植被物候的改变就越明显[66]。对包括萨王纳(savanna)在内的温带和热带山地植被的研究也观察到了植被物候随海拔变化的相同趋势, 并证实地形改变水分和光照条件, 是山地植被物候时空格局的主要驱动因子, 决定了生长季的起始和结束时间以及生长季长度[68-69]。

(5) 光合碳(NPP)分配。在所有地形条件下, 碳分配策略均是影响草地植被和土壤碳储量的重要指标。但是现有的遥感-过程模型中的光合产物分配模块大多根据植被类型设置不同的分配规则, 如森林、草地、农田等类型[58, 70], 部分模型进一步将草地区分为C3、C4, 极少有模型对草地进行更明确的分类。实际上不同类型草地植物的碳分配策略不同, 如植被的根冠比是寒温带草地略大于温带草地, 但都远大于热带和亚热带草地[71], 我国高寒和温性草地植被根冠比与冠层高度负相关[72]; 而且即使是同一种草地类型, 碳的地上地下分配也可能有很大差别, 如青藏高原高寒草甸中, 以苔草为优势种的群落与以禾草为优势种的群落相比较, 短期群落光合碳吸收能力相当, 但是前者向根系转移的碳显著高于后者, 根冠比是后者的2倍多[73]。凋落物是光合碳的另一个重要的分配去向, 也是植被NPP向土壤有机碳储量转化的桥梁。不同草地植被NPP向凋落物分配的比例差异很大, 如青藏高原高寒草甸略高于高寒草原(19.65%与14.76%)[4], 都远高于温性草原和温性草甸(1.51%与1.07%)[33]。

草地面积是估算草地植被碳储量和土壤碳储量的关键指标。沈海花等[31]通过详细的文献综述估算了中国的草地总面积, 结果是280×104—393×104 km2, 但文中对草地面积的估算方法没有做详细的介绍。当前区域草地面积多是根据土地覆被产品估算的, 将草地像元数目乘以像元分辨率计算得到。但是土地覆被产品仅依靠像元中的优势地物类别来确定像元地物类型, 不能提供像元内各类地物的面积比重, 因而不同分辨率遥感影像计算出来的草地面积会存在很大差异。

随着分类所用遥感影像分辨率和分类算法精度的提升, 草地面积的估算也越来越准确。Gong等[74]基于实测地物波谱样本与Sentinel-2影像, 利用随机森林分类器得到了全球10 m土地覆盖度数据集。Zhang等[75]利用GlobCover2009地表覆盖产品结合MOD09A1地表反射率产品, 从中提取纯净地物类别的波谱并构建了地物波谱库用于分类, 将分类影像升尺度到300 m后估算出中国草地面积为248×104 km2。以上两个研究案例均采用了时间序列定量遥感反演的方法, 充分考虑地物在不同时相遥感影像的光谱差异, 采集地物在多个时期的光谱特征构建波谱库, 将待分类影像与波谱库进行时相与位置信息匹配进行地物分类。对草地而言, 时相可表征草地的物候期, 待分类影像物候期与参考波谱物候期越接近, 分类精度越高。遥感与生态规律相结合为估算草地面积提供了新思路。我国北方草地植被的分布主要受降水的限制, 基于此, 依据森林、草地到荒漠的降水量变化趋势, 方精云等[76]分析得到了草地区域的降水阈值, 并通过降水和生长季NDVI的经验关系, 将离散的降水信息反演到空间连续的植被冠层NDVI上, 借助NDVI信息估算出中国北方草地的潜在分布区, 其面积为229.64×104 km2。

上述方法多是将影像分类进而统计出草地像元或草地边界, 忽略了像元中地形的起伏状态, 从而使得计算的草地面积小于真实草地面积。Chen和Arrouays[17]对世界土壤数据库(Harmonized World Soil Database, HWSD)数据分析发现, 当像元中地形坡度小于20°时, 像元真实面积与像元面积的比值在1.1以内; 一旦坡度大于30°时, 真实面积就会显著大于像元面积, 导致碳储量严重低估。此外, 当前的分类算法多是基于已有的草地分类标准, 对草地类型的划分较粗, 如MCD12Q1数据对草地的最优分类为草地、热带稀树草原、木本热带稀树草原三类[77], 而植被碳密度的测定多是对应于更下一级的草地类型, 如高寒草原、高寒草甸等。草地分类级别不匹配也会在一定程度上影响碳储量的估算。因此, 很有必要采用高精度草地分类图, 将像元内地形的起伏状况考虑进去, 重新估算复杂地形下各类草地的面积。

植被指数作为表征植被长势的关键参数, 对生物量和NPP的估算具有重要影响。现阶段学者主要依据反照率数据的精度和植被指数长时间序列的变化规律来判定植被指数产品的质量, 但是极少关注这些指数产品的地形效应, 对哪些产品适用于复杂地形草地还缺少比较研究。表 1显示, NDVI和EVI是反映生物量信息最常用的植被指数。不同植被指数利用的波段和计算方法不同, 对地形的敏感性也不一样, 其中EVI比NDVI更敏感。例如, Matsushita等[78]发现阴阳坡长势相同的同种植被其EVI差异较大, 但NDVI差异较小; Galvão等[68]发现经过地形校正后照光叶NDVI和EVI分别减少了1%和13%, 而遮光叶的NDVI和EVI分别增加了14%和89%。总体来说, 由于EVI的计算公式中含有常数项“L”, 该项无法表示成波段比的形式, 使得EVI存在较大的地形效应, 与EVI类似的还有土壤调节植被指数(Soil Adjusted Vegetation Index, SAVI); 而波段比形式的植被指数, 如NDVI和水分调节植被指数(Moisture Adjusted Vegetation Index, MAVI)等抗地形干扰能力较强, 不易受到地形效应的影响[78-79]。综上, 复杂地形植被指数的选择应综合考虑各指数地形效应的大小及其对植被覆盖度和土壤的敏感性。建议在草地覆盖度高的平缓地形区, 选择EVI; 在草地覆盖度中等同时坡度不超过25°的起伏地形区, 选择NDVI[43, 79]; 当坡度较大时, 所有植被指数均需地形校正[43]。

LAI常用于描述植被冠层结构及功能, 也是碳循环模拟的关键参数。然而, 现有的遥感反演LAI的算法大部分没有考虑地形效应及其影响[6, 53]。直接验证复杂地形区LAI产品的精度比较困难, 迄今仅有一项可供参考的研究, 其比较了由5种LAI产品分别计算的GPP与实测GPP的差异, 发现草地中GLASS(Global Land Surface Satellite)和GEOV1(Geoland2 version 1)的LAI产品计算的GPP精度最高[6]。

相较单一地形因子, TWI和地形复杂度能更好地表示研究区土壤水分情况和整体起伏情况。TWI的研究和使用已相对成熟。地形复杂度是评价地表起伏和褶皱程度的参数, 可以用地表粗糙度、地形起伏度、分形维数等对其进行描述和量化[51]。常见的地形复杂度表示方法主要有：起伏面积与投影面积之比, 海拔标准差, 坡度标准差, 剖面曲率标准差, 矢量色散, 地形残差标准差等[52]。通过对比上述方法的计算结果, Grohmann等[52]发现坡度标准差能准确识别坡面平滑区域和间断区域, 不易受到噪声影响, 更好表征地形地貌的整体特征。

气象数据一般包括气温(日均温、最低温和最高温)、降水、湿度、风速、太阳辐射、气压等, 主要来自气象站点的观测值和站点间的插值[58]。复杂地形上太阳辐射的再分配使得地表水热分布与平坦地形不同, 因而在平坦地区常用的一般插值方法(如克里金、反距离)得到水、热、光等气候参数, 会大大降低模型模拟复杂地形下NPP和植被碳储量的准确性, 通常需要对气象数据进行地形校正[20-21, 80-81]或应用MTCLIM[19, 82-83](Mountain Microclimate Simulation Model)进行模拟。表 2总结了获取应用于复杂地形的气象数据的4种方法, 指出了各方法的原理及其优缺点。

数据再分析也是获取气象数据的重要方法, 它充分综合了模型模拟的连续性和实测数据的准确性[88], 在区域碳循环模拟上拥有不可比拟的优势。美国国家环境预报中心(NCEP)和大气研究中心(NCAR)的NCEP/NCAR、美国国家环境预报中心和美国能源部(DOE)的NCEP/DOE、美国国家航空航天局(NASA)的NASA/DAO、欧洲中期数值预报中心(ECMWF)的RA-15/40、日本气象厅(JMA)和电力中央研究所(CRIEPI)的JRA-25等是目前重要的气象再分析数据来源[89]。Zhao等[90]比较了MODIS NPP产品对上述3种再分析气象数据的敏感性, 发现ECMWF数据得到的NPP精度最高, DAO次之, 而NCEP由于对温度和水汽压差的低估使得精度最低, 基于这三种气象数据模拟出的全球NPP总量相差超过20 Pg C yr-1。要将再分析数据应用于复杂地形, 就需要考虑地形对温度和降水的影响, 如张方敏等[91]尝试将NCEP与WorldClim(http://www.worldclim.org)数据相融合, 以得到复杂地形区NPP估算模型所需的气象资料。本文认为对于小区域复杂地形, 最高分辨率达30″的WorldClim全球气候格点数据集(http://worldclim.org/version2)具有很大的应用前景, 而气象再分析数据(公里尺度分辨率)结合精细DEM降尺度以匹配研究区域的微地形, 可以提高复杂地形上植被碳储量研究所需气象数据的质量。

尺度效应和尺度转换是定量遥感中的热点和难点问题, 尺度效应主要源于地表的异质性[92], 即不同尺度的混合像元包含的地物信息不同, 因而有着不同的反射率[93], 导致遥感影像与草地植被碳储量的关系模型和模型精度随尺度不同而存在差异[94-95]。复杂地形上尺度选择更易影响遥感影像信息和实测数据的准确性, 进而影响两者构建关系模型的精度, 而实测数据的尺度多以影像尺度为参考, 因此遥感影像的尺度选择是复杂地形尺度选择的核心。研究发现, 随着遥感影像分辨率的粗化(如从30 m到1000 m), 地形因子与植被指数的相关性逐渐增强[22], 所构建的地形与生态系统碳储量关系模型的精度也有所提高。但不同遥感信息对草地生物量或碳储量存在不同的作用尺度, 单一地形因子中坡度、坡向、曲率的作用尺度一般小于100 m, 景观位置的作用尺度多大于100 m[7]; TWI在局部和区域尺度均能显著影响草地植被多样性[50]。遥感影像自身信息的准确性也受尺度影响。比较不同尺度上地形复杂度指标, 向量色散会随着影像尺度增大而增加; 地形残差标准差突出局部尺度的特征但不能检测区域尺度的起伏; 高程标准差能准确识别坡折, 探测区域尺度地形起伏[52]。

明确遥感影像的特征尺度, 有利于构建更加稳定的草地碳储量估算模型。特征尺度为像元中地物符合线性光谱混合模型, 不存在交叉辐射或相互遮挡的最小分辨率[94]。当影像的分辨率优于特征尺度时, 由于光线遮挡和交叉辐射的影响, 表现为地物非线性光谱混合现象, 不同像元中同一地物的辐射亮度会存在很大的差异, 以此辐射亮度或反射率与实测NPP数据建模将会大大降低拟合精度。当分辨率低于特征尺度时, 地物由非线性混合转为线性混合, 像素间植被冠层垂直结构差异消失, 像素间不再存在相互遮挡或者交叉辐射相互抵消, 到达植被冠层入射能量与到达水平地表的能量一致, 此时影像像元的光谱特征才能代表植被群体的光学特征[94]。特征尺度与局部方差函数变程的物理内涵一致, 可用分辨率逐步粗化的遥感影像的局部方差来拟合曲线, 当方差不再随影像分辨率的粗化而降低时, 对应的分辨率即为遥感影像的特征尺度[96]。特征尺度与地物的形状、分布有关, 如农作物特征尺度一般为农作物行距, 森林的特征尺度与冠幅或株距基本一致[94]。

特征尺度虽然为解决像元间地物的交叉辐射提供了解决思路, 但在复杂地形区域的应用仍有很大的局限性。不同于平地, 地形的起伏结构使得复杂地形上还存在垂直结构上巨大的差异, 加剧地物间加叉辐射影响[12]。结合上述特征尺度的特点, 推测复杂地形区域的特征尺度可能远大于研究区山体间距离的均值, 这有待于我们后续验证。

影像地形效应的产生机理是因为使用了水平面的辐照度代替了阴、阳坡上的真实辐照度, 而影像辐亮度是由阴、阳坡的真实辐照度作用于地表得到的, 有差异的辐亮度除以无差异的辐照度, 使得阴、阳坡地物反射率差异较大[41]。影像特征尺度的使用在一定程度上“平滑”地形起伏, 消减地形效应[78, 94, 96], 但也损失了部分阴阳坡的植被信息。地形校正是在原影像尺度上对复杂地形遥感影像进行辐照度校正, 恢复阴、阳坡上真实的辐照度, 使得阴、阳坡同种地物反射率相同或相近, 最大限度保存阴、阳坡的植被和地形信息[41]。分析地形校正方法的主要文献[18, 41, 97-99]与实验测定, 发现C校正方法是目前相对简单, 且校正结果较理想的一种方法, 可能适用于草地复杂地形区。

C校正由余弦校正发展而来, 引入经验参数c来表征散射辐射。遥感影像不同波段有不同的c值, 可根据各波段光谱数据和太阳入射角余弦值的线性关系计算得到。太阳入射角需由研究区地形的坡度、坡向和影像成像时太阳天顶角和方位角计算得出。综合太阳入射角, 太阳高度角以及校正系数c, 即可实现研究区遥感影像的C校正[41, 97-99]。

草地植被碳储量遥感估算的核心是对草地每年最大生物量和草地面积的遥感估算。草地生物量的遥感估算方法较多, 但现有方法在复杂地形区都存在不同程度的局限性。遥感影像的地形效应、地形指标的选取等都制约了遥感经验模型的精准估算; 遥感物理模型涉及理论较多, 开发周期较长, 目前尚无成熟的可适用于复杂地形区的模型; 遥感-过程耦合模型模拟复杂地形的生物量或NPP需要几类关键参数, 包括植被碳分配、光合最适温度、土壤水分、牲畜数量分布、植被物候等, 当前还缺乏系统的实验测定或可靠的参考数据。充分利用遥感影像的高空间和高时间分辨率的特点, 通过机器学习等方法可以更加准确地进行土地利用分类, 提取草地像元。但在复杂地形区, 草地面积的计算还需考虑草地像元的起伏度, 减少草地面积的低估。

植被碳储量遥感估算中多使用植被指数、地形、气候等遥感数据, 但植被指数与气象数据在复杂山区都存在一定的地形效应, 而地形数据多以单一地形因子为主, 不能全面、客观地量化地形的整体变化趋势。为提高模型抗地形干扰的性能, 需要发展和选择适用于复杂地形的植被指数和气象数据。比值型植被指数比非比值型植被指数受地形干扰小, 地形效应小; GLASS和GEOV1的LAI产品更适用于山区草地碳估算; 而TWI、地形复杂度等地形综合指标可更好地表征地形影响下的土壤水分分布和地形整体复杂程度。除对气象数据进行地形校正或MTCLIM模拟外, WorldClim全球气候格点数据集等气象再分析数据在复杂地形区也有一定的应用前景。

复杂地形遥感影像几乎都受到地形效应的影响, 对其进行地形校正可以消除或减弱地形效应。在草地区域C地形校正方法相对简单, 校正结果比较理想。遥感影像与实测数据的建模尺度影响模型的稳定性和精度, 采用局部方差函数变程的方法, 可确定遥感影像的特征尺度。