引用本文
杨文府, 刘珺, 汪雯雯, 刘小松, 郝晓阳. 基于多光谱遥感数据的生物多样性监测与评估[J]. 光谱学与光谱分析, 2023,43(4): 1282-1290.
YANG Wen-fu, LIU Jun, WANG Wen-wen, LIU Xiao-song, HAO Xiao-yang. Monitoring and Assessing of Biodiversity in China Based on Multispectral Remote Sensing Data[J]. Spectroscopy and Spectral Analysis, 2023,43(4): 1282-1290.
Doi:10.3964/j.issn.1000-0593(2023)04-1282-09  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于多光谱遥感数据的生物多样性监测与评估
杨文府1,2,3, 刘珺4,*, 汪雯雯2,3, 刘小松2,3, 郝晓阳2,3
1.中国地质大学(北京)土地科学技术学院, 北京 100083
2.自然资源部矿业城市自然资源调查监测与保护重点实验室, 山西 晋中 030600
3.山西省煤炭地质物探测绘院资源环境与灾害监测山西省重点实验室, 山西 晋中 030600
4.太原理工大学矿业工程学院, 山西 太原 030024
*通讯作者 e-mail: 8886355@163.com

作者简介: 杨文府, 1978年生, 中国地质大学(北京)土地科学技术学院正高级工程师 e-mail: Wcyywf@163.com

收稿日期: 2022-03-16 修回日期: 2022-07-21
基金: 国家自然科学基金山西煤基低碳联合基金重点项目(U1810203), 山西省应用基础研究计划项目(201901D111466)资助
摘要

生物多样性是人类赖以生存的基础。 受环境和气候变化的影响, 全球生物多样性丧失日趋严重, 研究区域生物多样性对保护濒危物种栖息地、 合理规划与利用区域资源具有重要意义。 基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集, 构建了累积、 最小和差值三种动态生境指数(DHI), 结合气象数据和物种分布数据, 采用多元回归分析分别研究了①基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性; ②累积、 最小和差值DHIs表达物种多样性的互补性; ③气候变化对我国生物多样性的影响; ④累积、 最小和差值DHIs表达物种丰富度的能力。 研究表明: ①基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间), 可相互替代; 同一植被指数的累积、 最小和差值DHIs之间有一定关联性, 但三者不可相互替代。 ②与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比, GPP-DHIs监测我国生物多样性的能力最强, 且与物种丰富度之间存在良好的相关性(相关系数0.32到0.84之间)。 ③持续发生的气候变化会显著影响区域内的植被总生产力, 极端气候对大区域内的影响不大; 蒸散量对大尺度区域的植被总生产力影响比气温和降水的影响更显著。 ④环境变化对两栖动物物种丰富度影响最大, 其次是鸟类, 受影响最小的是哺乳动物。 ⑤我国累积DHI与最小DHI表现为自西北内陆向东南沿海地区逐渐增大的格局, 西北和华北地区, 高山、 高纬度地区, 以及西北沙漠地区最小DHI很小, 表明东南沿海区域的生态环境更适合生物生存, 恶劣的环境严重影响生物多样性; 差值DHI表现为东北、 华北较高, 华中、 华南较低的空间格局, 表明东北、 华北地区物种生存环境的变化较大, 华中、 华南地区物种的生存环境比较稳定。

关键词: 多光谱遥感; 生物多样性; 动态生境指数; 气候变化
中图分类号:TP79 文献标志码:A
Monitoring and Assessing of Biodiversity in China Based on Multispectral Remote Sensing Data
YANG Wen-fu1,2,3, LIU Jun4,*, WANG Wen-wen2,3, LIU Xiao-song2,3, HAO Xiao-yang2,3
1. School of Land Science and Technology, China University of Geosciences, Beijing, Beijing 100083, China
2. Key Laboratory of Monitoring and Protection of Natural Resources in Mining Cities, Ministry of Natural Resources, Jinzhong 030600, China
3. Shanxi Provincial Key Lab of Resources, Shanxi Coal Geology Geophysical Surveying Exploration Institute, Jinzhong 030600, China
4. College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China
*Corresponding author
Abstract

Biodiversity is the basis of human survival. Affected by the environment and climate change, the decrease in global biodiversity is becoming increasingly serious. Therefore, the study of regional biodiversity has great significance in protecting endangered species’ habitat, planning and utilising the regional resources reasonably. Three dynamic habitat indices (DHI) of cumulative, minimum and difference were constructed by datasets of NDVI, EVI, FPAR, LAI and GPP of multispectral remote sensing vegetation products from 2002 to 2018. The multiple regression analysis was used to study ① the applicability of DHIs constructed by different multispectral remote sensing indices (NDVI, EVI, FPAR, LAI and GPP); ②the complementarity of species diversity expressed by cumulative, minimum and difference DHI models; ③the impact of climate change on biodiversity in China; ④the ability of cumulative, minimum and difference DHIs to express species richness. The research shows that ① there is a strong correlation between corresponding DHIs based on the same MODIS multispectral vegetation indices (correlation coefficient from 0.77 to 0.98), so they can substitute for each other; There is a certain correlation among these three DHIs, while they cannot replace each other. ②Compared with DHIs constructed by NDVI, EVI, FPAR and LAI product data, GPP-DHIs have the strongest ability to monitor biodiversity in China and have a good correlation with species richness (correlation coefficient from 0.32 to 0.84). ③Continuous climate change will affect the total productivity of vegetation significantly in the large region, and extreme climate has little impact on the large region; Evapotranspiration has a more significant impact on the total productivity of vegetation in large-scale regions than temperature, and precipitation. ④Environmental change has the greatest impact on amphibian species richness, followed by birds and mammals. ⑤The cumulative DHI and minimum DHI in China gradually increase from the northwest inland to the southeast coastal area. The minimum DHI in the northwest, north China, high altitude area, high latitudes, and northwest desert areas are very small, which indicate the ecological environment in the southeast coastal area is more suitable for biological survival, and the harsh environment affects biodiversity seriously. The difference in DHI shows a higher spatial pattern in Northeast and North China, and a lower spatial pattern in Central and South China, which indicates that the living environment of species in Northeast and North China changed greatly, and the living environment of species in Central and South China was relatively stable.

Keyword: Biodiversity; Dynamic habitat indices; Species richness; Climate change
引言

生物多样性是人类赖以生存的条件, 也是保障生态可持续发展的基础。 人类活动和气候变化的共同作用使得全球物种多样化正以前所未有的速度减少[1]。 中国是世界上12个物种特别丰富的国家之一[2, 3], 也是生物多样性受威胁最严重的国家之一[4]。 许多物种在遭受栖息地丧失、 气候变化、 过度开采和入侵物种威胁等情况下, 仍在努力适应环境变化, 以寻求自身的生存[5]。 监测和评估生物多样性的现状和变化趋势, 探寻物种如何应对环境变化, 可为制定生态保护措施提供科学依据。

随着卫星数据时空分辨率的不断提高, 遥感技术已成为探测和评估生物多样性的重要手段[6, 7], 利用遥感卫星数据可以获得直接或间接表征生物多样性状况的指标[8]。 植被是动物所需能量的主要来源, 植被的数量和种类可反映一定范围内物种的多样性。 例如, 归一化植被指数(NDVI)和增强型植被指数(EVI)可用来预测物种丰富度[9, 10]; 叶面积指数和植被有效辐射(fPAR)可通过估算植被光合作用确定植被生产力; 植被总初级生产力(GPP)则可以直接表达生物食物资源的丰富度[11]。 基于fPAR和GPP, Berry等[12]提出了动态生境指数(dynamic habitat indices, DHI), 并应用于监测澳大利亚的鸟类物种多样性, 取得了很好的效果。 之后, Coops等[13, 14]对DHI进行了修正, 修正后的DHI被证明与动物和植物物种多样性之间均存在良好的关系[15, 16], 可用于评估生物多样性, 描述物种丰富度[17]。 Radeloff等将DHI的构建从GPP扩展到了其他多光谱遥感植被指数, 拓宽了研究全球物种多样性的思路。

大尺度的生物多样性研究是划定生态红线、 确定区域生态安全和生态补偿的依据[18], 因此准确监测和评估大尺度的生物多样性显得格外重要。 目前, 我国在大尺度上开展生物多样性的研究较少[19]。 为了掌握我国物种多样性的空间格局, 探索不同动态生境指数(DHI)在中国陆地区的适用性, 基于多光谱遥感植被指数, 构建了物种多样性监测模型, 获取了2002年— 2018年中国陆地区域生物的空间分布和种群密度信息, 同时结合气温、 降水、 蒸散等气象数据, 评价了气候变化对生物多样性的影响。 研究结果有助于准确评估我国的生物多样性状况, 制定生态环境保护政策, 保持物种多样性。

1 实验部分
1.1 遥感数据

从EARTHDATA DAAC获得了2002年— 2018年覆盖中国陆地区域的MOD13A2、 MOD15A2和MOD17A2数据集, 从中提取出NDVI和EVI, LAI, FPAR和GPP数据。 将获取到的数据进行了拼接、 裁剪和Albers投影转换, 处理后获得历年各23景NDVI和EVI(1 km, 16 d)数据集和各46景LAI, FPAR, GPP(500 m, 8 d)数据集, 最后将所有数据集重采样为1° 。 为降低沙漠、 雪地等高反射率的地物对DHI的影响, 将对应区域的像元填充为0。

1.2 物种数据

从国际自然保护联盟(IUCN, https://www.iucnredlist.org)下载了物种分布图。 首先, 按照哺乳动物, 两栖动物和栖息鸟类对获取到的数据进行了物种合并; 然后, 将每个区域中物种数量作为物种丰富度指标, 对各物种栅格图逐像元进行填充和叠加运算; 最后, 利用中国陆地边界图对各数据集进行裁剪, 并重采样为1° , 得到哺乳动物, 两栖动物, 栖息鸟类的物种丰富度图(图1)。

图1 中国陆地区域两栖、 哺乳、 栖息鸟类物种丰富度空间分布Fig.1 Species spatial distribution of species richness of amphibians, mammals and resident birds in China’ s land areas

1.3 气象数据

从EARTHDATA, GES DISC(http://disc.gsfc.nasa.gov)获得了2002年— 2018年中国陆地区降水, 温度和蒸散月度数据, 并统一重采样为1° , 得到了三种因子每年各12景数据; 然后将原有月均降水率和蒸散率分别乘以时间转化为年平均降水量和年平均蒸散量数据集。

1.4 方法

1.4.1 动态生境指数DHI

动态生境指数由反映地表植被状况的因子构建, 不同的DHI形式可以提供植被生产力的综合状况、 最低覆盖度和季节变化等信息, 可由不同植被产品及其组合计算得到。

累积DHI是植被年生产力的总和, 用于表达区域植被整体状况, 适合于反映生物生存环境的舒适性。 最小DHI是植被年生产力的最小值, 用于解释环境恶劣程度对物种多样性的影响。 差值DHI表达植被生产力的季节变化, 即生产力在一年内的变化, 反映了物种生存环境的稳定性。 三者的计算公式为

DHICum=∑pt(1)

DHIMin=min(pt)(2)

DHIVar=σ(pt)μ(pt)(3)

式中, t为研究时段, t=1, 2, 3, …, n; pt为某一植被产品在t时间段的生产力; σ (pt)为生产力的标准差; μ (pt)为研究时段内年生产力的均值。

由于在某些气候异常年植被生长受到影响, 导致三种DHI尤其是最小DHI发生了较大变化, 为了确保所有的DHI不受异常年份影响, 首先计算了2002年— 2018年各MODIS数据产品的中位数, 在此基础上计算得到了五种产品的年DHI数据集(图2)。

图2 基于不同数据构建的累积DHI, 最小DHI和差值DHIFig.2 Cumulative, minimize and variant DHI derived from NDVI, EVI, fPAR, LAI and GPP in China

根据式(1), 式(2)和式(3)计算得到基于NDVI、 EVI、 LAI、 FPAR和GPP的DHI(图3)。

图3 基于不同MODIS植被指数的DHI的相关性Fig.3 Spearman correlation of DHI derived from MODIS NDVI, EVI, LAI, fPAR and GPP

1.4.2 DHI的评估

为了获得评价物种多样性的最佳指标, 对基于5种指数得到的三类15个DHIs进行了筛选, 在此基础上, 利用最优DHI对中国物种丰富度进行了评估。 具体内容如下:

(1)将基于不同植被产品的同种DHI(如NDVI的最小DHI和EVI的最小DHI)进行相关性分析, 研究不同植被产品的可替代性。

(2)通过分析源于同种MODIS植被产品中的累积、 最小和差值DHI的相关性, 揭示同一MODIS产品的三种DHI在表达生物多样性时的互补性。

(3)研究温度、 降水、 蒸散等气候表征因素与不同DHI之间的相关关系, 以确定气候变化对生物多样性的影响。

(4)将基于物种数据计算得到的物种丰富度与DHI进行相关性分析, 研究DHI表达物种丰富度的能力。

1.4.3 物种丰富度的评估

将基于物种数据计算得到的物种丰富度(图1)与DHI按照间隔为20 km的取样方法提取随机样本进行相关性分析, 利用散点密度图研究DHIs表达物种丰富度的能力。

2 结果与讨论
2.1 DHI的空间分布

图2展示了中国陆地区域植被生产力的空间分布格局。 从图中可以看出, 累积DHI与最小DHI的空间分布基本一致, 表现为自西北内陆向东南沿海地区逐渐增大的格局, 其中南部亚热带沿海地区明显高于其他地区, 说明东南沿海区域的生态环境更适合生物生存。 而西北和华北地区, 高山、 高纬度地区, 以及西北沙漠地区由于气候变化大和植被覆盖度低的原因, 最小DHI很小, 甚至趋近于0。 说明恶劣的环境严重影响了这些区域的生物多样性。 差值DHI表现为东北、 华北较高, 华中、 华南较低的空间格局。 表明东北、 华北地区植被生产力变化较大, 物种的生存环境变化起伏较大, 而华中、 华南地区的差值DHI较小, 表明这些地区的植被生产力恒定, 物种的生存环境也比较稳定。 与累积DHI和最小DHI一致, 西北沙漠地区差值DHI也趋于0。

2.2 不同DHIs之间的关系

(1)基于MODIS植被产品中的不同DHI比较

为了研究基于不同MODIS植被产品数据的可替代性, 计算了不同植被产品的同种DHI之间的相关性(图3)。 从图中可以看出, 基于NDVI和EVI, LAI和FPAR建立的同一DHI之间呈现显著的线性相关, 其中NDVI和EVI建立的三种DHI之间的Spearman相关系数最小值为0.95, LAI和FPAR建立的三种DHI之间的相关系数最小值为0.9。 说明基于同一植被产品的不同指标建立的DHI的相关程度高于不同植被产品之间的DHI, 出自同一产品的NDVI和EVI, FPAR和LAI的三种DHI可以相互替代。

基于NDVI, FPAR, GPP的累积DHI之间具有显著的正相关关系, 其Spearman相关系数分别0.94, 0.93, 0.93; 最小DHI之间的关系则不显著, 相关系数为0.78, 0.63, 0.76; 差值DHI之间呈现偏向纵轴的正相关性, 相关系数分别为0.85, 0.72, 0.55。 说明基于五种产品的累积DHI之间存在较好的线性相关性, 数据具有可替换性; 而GPP的最小DHI和差值DHI与NDVI和FPAR的对应DHI之间相关性较差, 相关系数介于0.55~0.72之间, 说明基于GPP的最小和差值DHI与源于另外两种产品的对应DHI不可相互替换。

(2)基于不同MODIS产品的DHI比较

为了研究最小DHI, 累积DHI和差值DHI在表征生物多样性方面的互补性, 以及不同植被产品的表达能力, 对基于NDVI、 FPAR和GPP的三种DHIs进行了对比分析(图4)。

图4 NDVI、 fPAR和GPP的最小、 累积、 差值DHIs的相关性Fig.4 Spearman correlation of cumulative, minimum and variation DHIs derived from NDVI, fPAR and GPP

从图中可以看出, 基于NDVI、 FPAR和GPP的最小DHI与累积DHI之间均表现为正相关, 二者与差值DHI均表现为负相关。 最小DHI与累积DHI的相关系数分别为0.79, 0.79和0.71, 证实了二者的正相关关系非常稳定, 充分说明最小DHI和累积DHI可相互替补用以表示物种多样性。 累积DHI与差值DHI表现为负相关, 相关系数分别为-0.01, -0.22和-0.74, 最小值为NDVI产品之间。 说明累积DHI和差值DHI之间的相关性不稳定, 且差异较大。 最小DHI和差值DHI之间亦表现为负相关, 其中相关性最大的为GPP的最小DHI和差值DHI, 其相关系数为-0.90, NDVI与FPAR分别为-0.43和-0.46, 这表明对于总初级生产力来说, 其生产力值越高的地区, 相应的年差值也就越小。 这也就是最小DHI分布与其差值DHI在分布上具有高度相似性的原因。

同一产品的不同DHIs比较发现, 基于NDVI的三种DHIs的相关性介于-0.01~0.79之间, 基于FPAR的三种DHI的相关性介于-0.22~0.79, 而GPP的三种DHIs之间的相关性显著优于基于NDVI和FPAR的DHIs, 且相关关系也较稳定, 相关系数分别为0.71, 0.74, 0.90。 说明基于GPP的累积, 最小和差值DHI在表达物种多样性方面具有更强的能力。

2.3 DHI与气象因子的关系

气候条件是引起生物多样性变化的重要原因, 选取了温度、 降水、 蒸散三个气候因子, 分别计算了年平均温度、 季平均温度、 年最低温度, 年最小降水量、 季平均降水量、 年最小降水量和年平均蒸散量。 由于累积DHI用于表示年总初级生产力的能力, 因此将累积DHI与年平均温度、 年平均降水量和年平均蒸散量进行分析; 而最小DHI用于表示最弱的生产力, 因此将其与年最低温度、 年最小降水量和年平均蒸散量进行分析; 差值DHI则用于表示区域总初级生产力的差异, 因此将其与季平均温度、 季平均降水量和年平均蒸散量进行分析。 获得三种DHIs与各气候因子之间的相关性(图5)。

图5 GPP-DHIs与气候变量之间的相关性Fig.5 Spearman correlation of DHIs derived from GPP with climate variables

从图5中可以看出, DHI与各个气候因子之间具有明显的非线性关系, 它们之间的Spearman系数介于0.48~0.83之间。 其仔, 累积DHI与年均温、 年均降水量和年均蒸散量的Spearman系数分别为0.71, 0.78和0.83, 说明区域年际气候变化很大程度上决定了该地区的植被总生产力。 最小DHI与年最低温、 年最小降水量和年均蒸散量的Spearman系数分别为0.67, 0.48和0.65, 说明极端气候对区域植被总生产力的影响不大, 其中因降水减少造成的影响最小。 差值DHI与季均温、 季均降水量和年均蒸散量的相关系数分别为0.60, 0.60和-0.71, 说明短期内的气候变化对区域植被总生产力的影响不显著。 纵向对比发现, 三种气候因子中, 年均蒸散量与DHIs的相关性最高, 温度次之, 降水最小, 说明蒸散量对植被总生产力的影响最大。

综合分析气候因子与三种DHIs之间的相关性可以得出, 短时期内发生的气候变化不会对大尺度范围内的植被总生产力造成较大影响, 但当气候变化持续发生时, 则会显著影响区域内的植被总生产力, 而发生概率较低的极端气候对大区域内的影响不大; 与气温和降水相比, 蒸散量对大尺度区域的植被总生产力影响更显著。

2.4 DHIs与物种丰富度的关系

将GPP-DHI与中国陆地区域的物种丰富度进行Spearman相关分析(图6), 可以看出, 累积DHI和最小DHI与哺乳动物、 两栖动物和栖息鸟类的物种丰富度均呈正相关, 差值DHI与三类动物的物种丰富度表现为负相关, 这与三种DHI表达的内涵一致, 说明DHI可以用来表征物种丰富度。

图6 GPP-DHIs与哺乳动物、 两栖动物和鸟类物种丰富度的相关性Fig.6 Spearman correlation of DHIs derived from GPP with species richness of amphibians, birds and mammals

累积DHI和最小DHI与物种丰富度的相关关系表现出相似的分散性, 说明生存环境越适宜物种丰富度越高, 而恶劣的环境中物种丰富度也相对较低。 其中, 累积DHI与哺乳动物、 两栖动物、 鸟类的物种丰富度显著相关, 相关系数分别为0.70, 0.84, 0.64, 表明生存环境变好时物种丰富度会显著增加。 最小DHI与三种动物的物种丰富度的相关系数分别为0.32, 0.54, 0.52, 表明生存环境变坏时物种丰富度会降低, 但不显著, 说明物种自身对环境具有适应性, 以降低丰富度的损失。 且两种结果均表明两栖动物与累积和最小DHI的相关性最高, 说明其受环境影响最大。 差值DHI与三类动物的物种丰富度相关系数分别为-0.62, -0.76, -0.64。 表明生存环境越不稳定物种丰富度越低, 其中受影响最大的仍然是两栖动物, 栖息鸟类次之, 哺乳动物最小。

3 结论

基于多光谱植被指数数据, 构建了动态生境指数DHI, 探索了中国陆地区域物种多样性的状况, 评估了气候变化对生物多样性的影响, 研究了环境变化对物种丰富度的影响。 通过研究, 得到以下主要结论:

(1)GPP-DHIs最适用于监测中国陆地区域生物多样性。

(2)基于同源数据集的同类DHI之间存在较高的相关性, 可相互替代; 基于同一植被指数产品的累积、 最小和差值DHI存在互补性, 可分别描述环境变化对生物多样性的不同影响。

(3)气候变化持续发生时, 会显著影响区域内的植被总生产力, 极端气候对大区域内的影响不大; 蒸散量对大尺度区域的植被总生产力影响比气温和降水的影响更显著。

(4)DHI与物种丰富度之间存在良好的相关性, 可用于表征物种丰富度, 且两栖动物的丰富度受生存环境状况的影响最大, 哺乳动物受影响最小。

(5)我国累积DHI与最小DHI表现为自西北内陆向东南沿海地区逐渐增大的格局, 差值DHI表现为东北、 华北较高, 华中、 华南较低的空间格局。

研究为利用DHI准确监测中国生物多样性提供了参考, 为开展植被-气候变化-生物物种关系的相关研究奠定了基础。 不仅获得了多光谱遥感指数在监测生物多样性方面的互补性, 而且拓宽了利用多光谱遥感指数监测物种丰富度的应用。 生物不仅包括动物, 还包括植物。 植物物种的多样性影响和决定着动物物种的多样性, 下一步的研究将扩大物种范围和研究区域, 以更加精确地研究生物多样性, 为人类生存提供保障。

参考文献
[1] Knudby A, Ledrew E, Brenning A. Remote Sensing of Environment, 2010, 114(6): 1230. [本文引用:1]
[2] WU Hao, XU Yao-zhan, JIANG Ming-xi(吴浩, 徐耀粘, 江明喜). Resources and Environment in the Yangtze Basin(长江流域资源与环境), 2021, 30(6): 1384. [本文引用:1]
[3] FU Bo-jie, YU Dan-dan, LÜ Nan(傅伯杰, 于丹丹, 吕楠). Acta Ecologica Sinica(生态学报), 2017, 37(2): 341. [本文引用:1]
[4] Ministry of Environmental Protection of the People’s Republic of China(中华人民共和国环境保护部). Stand ard for the Assessment of Regional Biodiversity HJ 623—2011(区域生物多样化评价标准HJ 623—2011). Beijing: China Environmental Science Press(北京: 中国环境科学出版社), 2011. [本文引用:1]
[5] Ceballos G, Ehrlich P R, Barnosky A D, et al. Science Advances, 2015, 1(5): e1400253. [本文引用:1]
[6] LIU Shao-yang, BAI Jian-jun, CHEN Jun(刘少阳, 白建军, 陈军). Resouces and Environment in the Yangtze Basin(长江流域资源与环境), 2020, 29(1): 232. [本文引用:1]
[7] HE Cheng, FENG Zhong-ke, YUAN Jin-jun, et al(何诚, 冯仲科, 袁进军, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2012, 32(6): 1628. [本文引用:1]
[8] Saatchi S, Buermann W, Steege H T, et al. Remote Sensing of Environment, 2008, 112(5): 2000. [本文引用:1]
[9] Leyequien E, Verrelst J, Slot M, et al. International Journal of Applied Earth Observational Geoinformation, 2007, 9(1): 1. [本文引用:1]
[10] Li J, Zhao H, Yang X. African Journal of Agricultural Research, 2011, 6(17): 4019. [本文引用:1]
[11] Radeloff V C, Dubinin M, Coops N C, et al. Remote Sensing of Environment, 2019, 222: 204. [本文引用:1]
[12] Berry S, Mackey B G, Brown T. Pacific Conservation Biology, 2007, 13(2): 120. [本文引用:1]
[13] Coops N C, Waring R H, Wulder M A, et al. J. Biogeogr. , 2009, 36(5): 905. [本文引用:1]
[14] Coops N C, Wulder M A, Iwanicka D. Remote Sensing of Environment, 2009, 113(3): 1250. [本文引用:1]
[15] Skidmore A K, Pettorelli N, Coops N C, et al. Nature, 2015, 523(7561): 403. [本文引用:1]
[16] Knudby A, Ledrew E, Brenning A. Remote Sensing of Environment, 2010, 114(6): 1230. [本文引用:1]
[17] Lucas K L, Raber G T, Carter G A. Journal of Applied Remote Sensing, 2010, 4(1): 043545. [本文引用:1]
[18] TIAN Yi-chao, HUANG Yuan-lin, ZHANG Qiang, et al(田义超, 黄远林, 张强, 等). China Environmental Science(中国环境科学), 2020, 40(3): 1320. [本文引用:1]
[19] PENG Yu, QING Feng-ting, MI Kai, et al(彭羽, 卿凤婷, 米凯, 等). Acta Ecologica Sinica(生态学报), 2015, 35(2): 577. [本文引用:1]