基于多源遥感协同的草原生物量动态预测模型研究

Grassland rotational grazing planning is one of effective grazing measures to manage livestock graze. The livestock grazing zone is rotated among different seasonal grazing pasture and districts decided by grass growing conditions and regional characteristics. Managers have found that rotational grazing systems can scientifically and rationally utilize natural grassland, prevent grassland desertification, and enhance pasture carrying capacity. Dynamic pasture growing information is the key factor for scientific rotational grazing planning. How to quickly and accurately acquire the grassland growing information has been a difficult problem for rotational grazing planning and management. Currently, estimation of grassland biomass from remote sensing data has made some achievements. But it is lack of the forecasting data. The dynamic change of biomass information for next couple weeks or months is an important and supportive material for rotational grazing planning. Taking into account the demands of rotational grazing planning for the pasture growth condition data, this proposal will study on the estimation mechanism for grassland biomass with remote sensing method and establish a dynamic forecasting model for grassland biomass. To serve on the requirement for high-temporal and high-spatial time-series data, the research will study on the multi-source data fusion （e.g. image fast reconstruction method based on compressive sensing） to acquire dynamic vegetation index inputs for the forecasting model. Based on ground-measured data and data assimilation method （e.g. ensemble Kalman filter）, we will optimize the model parameters and finally establish a high-performance dynamic forecasting model for grassland biomass based on multi-source remote sensing data.

草原轮牧是依据牧草长势以及区域特征，按季节将草场分成若干放牧场和小区，让牲畜按一定的次序逐区采食、轮回利用的一种放牧措施。制定科学规划，有效地开展轮牧，对于充分利用有限的草场资源，有效防止草场沙化，提高草场载畜量都具有十分重要的意义。动态的草场长势信息是科学制定轮牧规划的关键，草场长势信息和草场生物量数据是制定轮牧规划的重要依据。如何快速获取动态草场长势信息，准确预测未来草场生物量，是制定轮牧规划的难题。目前，基于遥感数据反演的方法缺乏对未来生物量的动态预测。本项目旨在从轮牧规划对草场长势数据的需求出发，开展草场动态生物量遥感估算方法研究，建立草场生物量动态预测模型。服务于模型对高时相高空间动态数据的需求，将同步开展多源数据融合算法（压缩感知）和协同应用模型研究；服务于模型的高精度模拟，将开展卡尔曼滤波等同化算法研究，优化模型状态变量，最终建立多源数据协同的生物量动态预测模型。

动态的草场长势信息是科学制定轮牧规划的关键，如何快速获取动态草场长势信息，准确预测未来草场生物量，是制定轮牧规划的难题。项目基于多源遥感数据、实测生物量数据等资料，针对草场轮牧规划对生物量动态数据的实际需求，采用优化的多源遥感数据融合技术，开展了草原生物量动态遥感估算与预测方法研究，建立了草原生物量遥感估算和动态预测模型。. 主要研究内容包括：1）草地类型的划分及采样布点。基于研究区“2012年青海省草地类型计分类系统”，按照大面积监测需求及各类型草地空间分布特征，结合样带植被群落结构及草地生境特征，三年共获取409个样方的草地生物量数据和1125个样方的草地覆盖度数据；2）开展了数据融合技术对比和优化研究。综合高时相MODIS数据与中分辨率Landsat数据各自优势，建立了最优数据融合方案，生成了青海湖流域草地生长季高时相（8天）中空间分辨率（30米）的植被指数数据集（2000-2015）；3）开展了生物量动态估算的遥感定量模型研究。利用生成的高时相中空间分辨率植被指数产品，结合野外实测生物量数据，构建生物量遥感定量估算最优模型， 生成了青海湖流域草地生物量时序数据集（8天，30米，2000-2015年），该数据集在保证了精度的基础上，进一步将数据的空间分辨率由500米提升至30米，时间分辨率提高至8天；4）开展了基于时间序列动态模型的生物量动态预测研究。基于生成的植被指数产品及气候数据，建立了基于差分自回归移动平均方法（ARIMA）的生物量动态预测模型，并借助多变量自适应回归样条技术（ARES），进一步优化预测结果，实现对青海湖流域草地生物量的动态预测。5）开展了青藏高原植被变化及驱动因子研究。得到该地区植被整体呈绿化趋势，温度和降水对该区域植被生长均有一定促进作用；气候变化也通过改变植被物候期和积雪物候来影响着植被的生长变化。. 本项目研究不仅克服了传统方法的局限性，而且也能为牧区轮牧规划提供高精度高时相的动态生物量数据，为政府部门及时有效地开展规划决策提供科学依据。