1、基于 MODIS-OLI 遥感数据融合技术的农田生产力估算 牛忠恩 闫慧敏 黄玫 胡云锋 陈静清 中国科学院地理科学与资源研究所 中国科学院大学 摘 要： 大范围、高精度的农田生产力遥感监测依赖于高时空分辨率的遥感数据,单纯依靠由单一类型传感器数据获取的高时相或者高空间分辨率的遥感数据都不能满足清晰掌握田块尺度上作物生长动态的需求。全球免费提供的空间分辨率2501 000 m 的 MODIS 数据和空间分辨率 30 m 的 Landsat 数据是植被动态监测普遍应用的数据源,针对应用 MODIS 数据估算的农田生产力空间分辨率较低而Landsat 卫星重访周期长的局限性,研究基于空间分辨率 3
2、0 m 的 Landsat 8 OLI数据与空间分辨率 500 m 的 MODIS 数据,应用时空数据融合技术,融合 OLI 数据的高清晰空间表达能力与时间间隔 8 d 的 MODIS 数据的植被生长时间序列过程的监测能力,获得空间分辨率 30 m、时间步长 8 d 的时间序列数据,利用VPM(Vegetation Photosynthesis Model)模型以宁夏永宁县部分地区为试验区估算该区域的 NPP。研究结果表明,融合后所得 30 m 分辨率的 NPP 具有良好的空间细节信息,提高了 MODIS 数据中混合像元上的估算精度,并保留了 MODIS 数据原始的时间过程信息,以 30 m
3、的空间分辨率刻画出作物的生长动态;较单独应用 MODIS 数据,使用融合数据估算的 NPP 可更有效检测出高标准农田建设对农田生产力的提升。关键词： 数据融合; NPP; ESTARFM; VPM 模型; 植被指数; 作者简介：牛忠恩(1990-),男,山东济南人,硕士研究生,主要研究陆地生态系统生产力。E-mail:ni-作者简介：闫慧敏(1974-),女,内蒙古锡林郭勒盟人,副研究员,博士,主要从事资源遥感、生态系统模型研究。E-mail:收稿日期：2015-06-05基金：中国科学院科技服务网络计划(KFJ-EW-STS-019);中国科学院重点部署项目(KSZD-EW-Z-021-02
4、)Agricultural Productivity Estimation with MODIS-OLI Fusion DataNIU Zhong-en YAN Hui-min HUANG Mei HU Yun-feng CHEN Jing-qing Institute of Geographic Sciences and Natural Resources Research,CAS; Abstract： Large-scale and high-precision of agricultural productivity monitoring depends on remote sensin
5、g with high spatio-temporal resolution.Remote sensing data with high spatial resolution or temporal resolution acquired by single type of sensor cannot meet the need of clearly monitoring dynamic crop growth on farmland parcel scale.MODIS data with 250-1 000 m spatial resolutions and Landsat data wi
6、th 30 m spatial resolution are generally used to monitor vegetation dynamics.To supply the gaps of low spatial resolution of MODIS data and long revisit period of Landsat data,this study used Landsat 8 OLI data with 30 m spatial resolution and MODIS data with 500 m spatial resolution and 8-day tempo
7、ral resolution as data sources,and adopted data fusion technique to fuse high spatial resolution of OLI data and high temporal resolution of MODIS data.Using this technology,the time-series data with 30 m spatial resolution and 8-day temporal resolution were acquired.We took Yongning County in Ningx
8、ia as the study area,and used VPM(Vegetation Photosynthesis Model) to estimate the NPP in this area.Results show that,there was high consistency between fused vegetation indexes and OLI vegetation indexes,the determination coefficient of EVI and LSWI being 0.70 and 0.51,respectively.Fused NPP data w
9、ith 30 m spatial resolution has better detailed information.This data improves the estimated accuracy of mixed pixels in MODIS images,while retains original time and process information of MODIS data.Fused NPP data was consistent with the NPP obtained with MODIS data in pixels where farmland account
10、ed for more than 30% of the mixed pixel,meanwhile fused NPP data was significantly higher than NPP calculated form MODIS data in pixels where farmland accounted for less than 30% of the mixed pixel,since fused NPP had distinct boundaries while NPP calculated from MODIS had not.Fused NPP data show th
11、e growing of crop with 30 m spatial resolution.Compared with studies that use MODIS data with500 m resolution and MOD17 product with 1 000 m resolution,NPP data estimated by fused data can more effectively detect the promotion of agricultural productivity generated by high standard farmland construc
12、tion.The difference between regions with high standard farmland construction and the neighbors calculated with MODIS-OLI data,VPN-MODIS data and MOD17 data were62.66,39.87 and 2.90 g C/(m2 a),respectively.Keyword： data fusion; NPP; ESTARFM; VPM model; vegetation index; Received： 2015-06-05植被净初级生产力(N
13、et Primary Productivity,NPP) 是指植被在单位时间和单位面积上所累积的有机干物质总量,与作物产量直接相关。自 2000 年 MODIS 遥感数据投入使用以来,因其时间分辨率高且成本低的优势已经成为农情遥感监测的重要手段1-3,成功应用于玉米4-6、大豆4-5、冬小麦7-8等不同植被类型以及黄淮海地区9、三江平原10、华北平原7等不同农业区的农田生产力估算,基于遥感数据估算 NPP 也已经成为农田生产力监测的一个重要指标11-14。基于 MODIS 数据的生产力遥感模型可以表达出生产力的时序变化,但空间表达不够精细16-20。大范围、高精度、快速变化的农田生产力遥感监测
14、依赖于高时空分辨率的遥感数据15-16。然而,应用 Landsat、HJ-1 数据等高空间分辨率遥感数据估算农田生产力,空间分辨率较高却无法表现时序变化17-18。自空间分辨率 30 m 的 Landsat 遥感数据全球免费使用,使得在生产实践中应用该数据来更清晰地掌握作物长势将成为现实。能够综合高时间分辨率数据时相信息和高空间分辨率遥感数据空间信息的多源遥感数据时空融合技术也随之可以投入农田生产力遥感监测的实践应用中19-20。STARFM (Spatial and Temporal Adaptive Reflectance Fusion Model) 多源遥感数据融合技术已经成功应用于农田
15、21和羊草草原22的高时空分辨率生产力模拟16,Zhu 等在此基础上,提出了一种考虑像元反射率时间变化特征的改进型自适应遥感图像时空融合技术(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM),提高了复杂地形条件下的融合精度23。VPM (Vegetation Photosynthesis Model) 模型是一个基于卫星遥感数据和通量观测数据发展起来的光能利用率模型,模型的主要遥感驱动数据是 EVI (Enhanced Vegetation Index) 与 LSWI (Land Surface W
16、ater Index) 时间序列数据,自 2004 年模型建立以来已在农田生态系统开展了一系列的模型校验和验证研究,且表现出良好的模拟能力8,24-26。2013 年发射的 Landsat 8 陆地卫星的 OLI 传感器的 2 至 7 波段与 MODIS 波段具有相近的波谱范围。因此,应用多源遥感数据融合技术融合 Landsat/OLI 影像与 MODIS 影像,生成具有 MODIS 的高时相特征与 OLI 的高空间分辨率信息的 EVI 和 LSWI 数据,并应用 VPM 模型模拟农田生态系统生产力可能会提高农田生产力监测和预测的时空表达精度。本研究以宁夏永宁县高标准农田以及其周边耕地为研究区
17、,基于空间分辨率 30 m 的 OLI 数据与空间分辨率 500 m 的 MODIS 数据,应用 ESTARFM 方法融合 OLI 数据高清晰空间表达能力与时间间隔 8 d 的 MODIS 数据的植被生长时间序列过程的监测能力,获得空间分辨率 30 m、时间步长 8 d 的 EVI 和 LSWI 时间序列数据;由融合后数据提取 VPM 模型中所需要的相关参数,驱动 VPM 模型估算该区域的 NPP,对比融合数据计算的 NPP 与 MODIS 数据直接计算的 NPP 之间的差异。1 数据来源及研究区1.1 数据来源空间分辨率 500 m 的 EVI、LSWI 数据由 2013 年 MODIS 陆
18、地产品第 5 版数据集中的地表反射率产品(http:/ladsweb.nascom.nasa.gov/) 计算得到,时间分辨率为 8 d。空间分辨率 30 m 的 EVI、LSWI 数据由中国科学院计算机网络信息中心国际科学数据镜像网站(http:/) 提供的 2013 年 OLI 数据计算得到,经过辐射定标、FLAASH 大气校正及几何校正后计算所得。在一年 46 期影像的融合过程中,研究区有 10 期 OLI 影像参与 MODIS 影像融合(图 1)。温度数据利用国家气象局气象观测站记录的 2013 年逐日均气温,采用AUNSPLINE 气象插值软件插值获得;PAR (Photosynth
19、etically Active Radiation) 利用 MODIS 1B 数据结合 MODIS 地表反射率产品和双向反射模型(BRDF model) 参数产品,通过检索辐射传输模型计算出的查找表来反演得到8,24-26。图 1 全年 46 期融合所用数据 Fig. 1 Satellite images used for data fusion 下载原图1.2 研究区介绍研究区位于宁夏回族自治区永宁县,在 106.36106.46N,38.1139.25E 之间,地处银川平原引黄灌区中部,地势平坦,农田分布广泛,主要种植水稻、小麦、玉米等粮食作物。2004 年以后,宁夏开展了包括中低产田改造
20、以及高标准农田建设在内的一系列土地治理项目,显著提高了粮食产量,永宁县是土地治理项目的重要地区。永宁县李俊镇魏团村高标准农田示范项目区主要种植玉米、小麦等旱田作物,占地面积约 1 193 hm。2 研究方法2.1 VPM 模型VPM 模型是基于 MODIS 数据发展起来的光能利用率遥感模型27-28,其理论基础是 Monteith 提出的光能利用率理论29-30。VPM 模型将植被冠层分为光合部分(PAV) 和非光合部分(NPV),其表达式为:式中:PAR 是光合有效辐射mol Photon/(m s),FPAR PAV表示被植被光合部分吸收的光合有效辐射比例, g表示光能利用率(g C/mo
21、l PPFD), 0表示表观量子效率或最大光能利用率(g C/mol PPFD),T scalar、W scalar和 Pscalar分别表示温度、水分和叶物候期对最大光能利用率的调节系数。在 VPM 模型中,FPAR PAV被近似用增强型植被指数(EVI) 的线性函数来表达:式中:a 为经验系数,在目前的版本中取值为 18。Tscalar表征温度对光合作用的影响,采用陆地生态系统模型(Terrestrial Ecosystem Model,TEM) 的算法31:式中: T min、 T max和 Topt分别是植被进行光合作用时的最低、最高和最适温度(三基温),采用查找表方法确定不同植被类型
22、的三基温32。当空气温度小于最低光合温度时,T scalar设为 0。Wscalar表征水分对光合作用的影响,在 VPM 模型中,使用对水分敏感的陆地表面水分指数(Land Surface Water Index,LSWI) 进行计算。植被水分因子的计算公式为:式中: LSWI max为单个像元内植被生长季最大的 LSWI。Pscalar表征叶龄对冠层尺度上光合作用的影响。 P scalar的计算方法取决于叶片寿命的长短,对于叶片寿命为 1 a 即经历出芽、舒展、枯萎和凋落过程的植被(如玉米),分为两个阶段计算,在叶片出现到充分舒展阶段计算公式为:叶片舒展后, P scalar=1.0。将树叶
23、保持几个生长季,冠层由不同叶龄的叶片组成的植被(常绿针叶林等) 及在整个生长季中不断有新叶长出的植被(苔原、草地、小麦等) 的 Pscalar设为1.032。VPM 模型的驱动数据包括 EVI、LSWI 及温度,因此,要应用 VPM 模型模拟高空间分辨率的 NPP,需要 EVI、LSWI 等高空间分辨率遥感数据的支持。2.2 数据融合方法ESTARFM 方法是基于 tm及 tn时刻获取的 MODIS 和 OLI 影像及 tp时刻的 MODIS 影像,通过计算像元间空间分布及像元反射率等的差异,模拟预测 tp时刻高空间分辨率的数据(t p位于 tm与 tn之间)33。首先,基于 tk(k=m、n
24、)时刻获取的MODIS、OLI 影像和 tp时刻获取的 MODIS 影像,通过计算影像间相似像元的空间分布差异及波谱差异,分别实现 tp时刻的 OLI 影像尺度滑动窗口内中心像元的反射率预测,分别用 Lm(xw /2, yw /2, tp) 、L n(xw /2, yw/ 2, tp) 表示33;然后,依据 MODIS 影像反射率的差异,计算 tk时刻相对于 tp时刻的时间权重,分别用Tm、T n表示33;最后,利用 tk时刻计算的 tp时刻的高分辨率影像及时间权重计算 tp时刻最终的高分辨影像,公式如下33:3 结果3.1 数据融合精度为验证采用 ESTARFM 方法融合 MODIS 数据与
25、 OLI 数据生成的 EVI、LSWI 时间序列数据的精度,首先利用 2013 年第 254 天及第 309 天的 MODIS 和 OLI 数据进行融合,计算第 277 天的植被指数,然后与第 277 天的基于 OLI 数据的 EVI、LSWI进行比较(图 1)。图 2 中(a)、(b)、(c)分别为同一时间基于 MODIS 影像、OLI影像及 ESTARFM 方法融合的 EVI 数据;(d)、(e)、(f)分别为同一时间基于MODIS 影像、OLI 影像及 ESTARFM 方法融合的 LSWI 数据。融合 EVI、LSWI 图2(c)、(f) 与基于 MODIS 数据的 EVI、LSWI 图
26、 2(a)、(d) 相比空间分辨率显著提高,具有良好的空间细节信息,可以表现出较小地物的空间差异;与基于OLI 数据的 EVI 和 LSWI 图 2(b)、(e) 相比都具有良好的空间分辨率且空间分布趋势基本一致。EVI (LSWI) 的融合数据与基于 OLI 影像的计算数据相比平均值差为 0.02 (0.02),均方根差为 0.07 (0.09),决定系数分别为 0.70 (0.51) 图 3(a)、(b),说明应用该方法融合生成的 EVI 和 LSWI 的数据与观测数据具有较高的一致性,可用于后续研究。3.2 NPP 估算基于 VPM 模型,利用 500 m 分辨率的 MODIS 数据计算
27、所得 NPP (VPM-MODIS) 的空间分辨率较低,应用到较小区域时则不够精细,缺乏空间细节信息图 4(a);由 MODIS-OLI 融合数据计算得到的空间分辨率 30 m 的 NPP 则具有清晰的空间细节信息,可以表现出较小地物间的差异图 4(b)。研究区域 MODIS 数据直接计算的 NPP 均值为 702.96g C/(m a),基于 MODIS-OLI 融合数据计算的 NPP 均值为 720.89 g C/(m a),两者差别不大。MODIS 数据直接计算的 NPP 大部分像元的数值在 600800 g C/(m a)之间,无法表现不同地物及农田内部的空间异质性;融合数据计算的 N
28、PP 像元值统计的峰值在 800g C/(m a)左右,近似正态分布。融合数据计算的 NPP 空间表达清晰,道路、河流边界、建筑用地等与周边农田地区的 NPP 差异明显且边界清晰,同时也可清晰表达农田内部的 NPP 差异。图 2 不同数据源的植被指数 Fig.2 Vegetation index from different sources 下载原图注:(a)、(b)、(c)分别为基于 MODIS、OLI 及 MODIS-OLI 融合的 EVI 数据;(d)、(e)、(f)分别为基于 MODIS、OLI 及 MODIS-OLI 融合的 LSWI 数据。图 3 MODIS-OLI 融合植被指数与
29、 OLI 观测植被指数相关性 Fig. 3 Correlation between the MODIS-OLI fused vegetation index and the OLI observed vegetation index 下载原图为掌握数据融合前后 NPP 的差异,首先利用 Pixel Aggregate 重采样方法将基于MODIS-OLI 融合数据计算的 NPP 重采样为与 MODIS 数据分辨率相匹配的 500 m500 m 分辨率,然后根据 500 m500 m 的耕地百分比数据比较在不同的耕地覆盖度地区两种方法的 NPP 估算结果差异。结果表明,在耕地面积比例大于栅格面积
30、30%的区域,MODIS-OLI 融合数据计算的 NPP 与 MODIS 数据直接计算的 NPP总量上保持了很好的一致性图 5(b)、(c)、(d);而在耕地面积比例小于栅格面积 30%的区域,融合数据计算的 NPP 明显大于 MODIS 数据直接计算的 NPP 图5(a),这是由于 MODIS 数据分辨率较低,河流、裸地等无植被土地覆被类型占优势的混合像元植被指数接近于无植被土地,而 MODIS-OLI 融合数据的河流、裸地等具有比较明晰的边界,因此导致在耕地面积比例较小的栅格 MODIS-OLI 融合数据计算的 NPP 大于 MODIS 数据直接计算的 NPP。图 4 基于 MODIS 数
31、据(a) 和 MODIS-OLI 融合数据(b) 计算的 NPP Fig. 4 Estimated NPP from MODIS data (a) and MODIS-OLI fused data (b) 下载原图图 5 不同的耕地覆盖度地区 NPP Fig. 5 NPP in area with different arable land coverage 下载原图3.3 高标准农田建设成效检测能力为掌握 MODIS-OLI 融合数据计算的 NPP 对高标准农田建设成果的检测能力,本研究选取宁夏永宁县李俊镇魏团村高标准农田示范项目区,比较 MODIS-OLI 融合数据计算的 NPP、空间分辨
32、率 500 m 的 MODIS 数据计算的 NPP (VPM-MODIS) 及MOD17 NPP 3 个 NPP 产品在高标准农田示范区及其周边未改造区域的差异,其中MOD17 NPP 是美国 NASA 发布的 NPP 产品(MOD17A2),分辨率为 1 km1 km,时间步长为 8 d (http:/modis.gsfc.nasa.gov/)。3 种数据的空间分辨率分别为30 m30 m、500 m500 m、1 km1 km,将 30 m30 m、500 m500 m 的数据聚合至 1 km1 km。3 种 NPP 产品在项目区内外的差值分别为62.66、39.87、2.90 g C/(
33、m a),可见,随着数据空间分辨率的提高,遥感检测耕地生产力差异的能力也逐渐提高(图 6)。高标准农田建设项目区面积较小,在MOD17 NPP 数据中仅占十几个甚至几个像元,项目区与其周边未改造区域存在很多重叠像元,小区域内空间差异的检测效果不显著;VPM-MODIS 计算的 NPP 数据的空间分辨率有了一定提高,加之 VPM 模型对中国农田的模拟精度高于MOD178,33-34,能够体现出项目区内外的农田生产力差异,但仍无法表达出空间细节信息图 4(a);由 MODIS-OLI 融合数据计算的 NPP 的空间分辨率进一步提高,可以更为清晰地表达出空间上各地物的 NPP 差异图 5(b),进而
34、可以更加准确地检测高标准农田建设的成效。图 6 不同模型高标准农田区域内外农田生产力的差异 Fig. 6 Differences of NPP between inside and outside of high-standard cropland 下载原图4 结论与讨论大范围、高精度、快速变化的农田生产力遥感监测依赖于高时空分辨率的遥感数据,针对当前依靠高时相或者高空间分辨率的遥感数据都不能满足高空间分辨率时序植被指数监测的问题。VPM 模型自建立以来已在农田生态系统开展了一系列基于 MODIS 数据的校验和验证研究,成功模拟了中国农田生态系统玉米8,24、小麦8及其他农田类型35的生产力,
35、同时在区域尺度也进行了一系列的讨论和验证26,32,表现出良好的模拟能力。随着 Landsat 数据的全球免费应用,高时空分辨率的农田生产力监测技术也必将应运而生。本研究发展了一种基于 MODIS-OLI 数据融合技术估算 NPP 的方法,旨在探讨融合后数据估算的NPP 是否能够保持 MODIS 数据估算 NPP 的精度,同时改善混合像元上的空间精度,并保留 MODIS 数据原始的时间过程信息。研究首先应用 ESTARFM 数据融合方法,对 30 m 分辨率的 OLI 数据与 500 m 分辨率的 MODIS 数据进行时空信息融合,得到空间分辨率 30 m、时间步长 8 d 的 EVI、LSW
36、I 时序数据;然后,由融合后的数据驱动 VPM 模型估算研究区域的 NPP。由 10 景 OLI 与 MODIS 数据融合的EVI、LSWI,融合数据与基于 OLI 影像的计算数据的决定系数(R) 为0.70、0.51。宁夏永宁县李俊镇魏团村高标准农田示范项目区 2013 年 10 个时段的 OLI 影像与时间步长 8 d 的 MODIS 影像进行融合的研究结果显示,基于MODIS-OLI 融合数据计算的 30 m 分辨率的 NPP 具有良好的空间细节信息,提高了 MODIS 数据中混合像元的估算精度,可表现出农田内部的空间异质性及河流边界、道路、建设用地边界等较小地物与耕地的差异;同时,融合
37、数据保留了MODIS 数据时间过程信息。对于耕地面积比例大于栅格面积 30%的区域,MODIS-OLI 融合数据计算的 NPP 与 MODIS 数据直接计算的 NPP 时序曲线具有极好的一致性,而对于耕地面积比例小于栅格面积 30%的地区,融合数据计算的 NPP 因消除了混合像元引起的误差而提高了单独使用 MODIS 数据估算的精度。相较单独应用 MODIS 数据,使用 MODIS-OLI 融合数据估算的 NPP 可更有效地检测出高标准农田建设对农田生产力的提升。20 世纪七八十年代以来,遥感技术广泛应用于植被生产力监测、作物长势监测及产量预测等方面34,36-37。利用 Landsat 遥感
38、数据构建以数学统计方法为基础的经验估产模型得到广泛应用38-39,但缺乏深入的作物产量形成机理解释基础,且时空应用扩展性不强40;光能利用率遥感模型是区域尺度估算植被生产力及作物产量的有效手段,具有较好的机理性解释且输入参数简单,但大多以 NOAA/AVHRR 或 MODIS 数据作为数据来源,空间分辨率较低41-43且作物空间信息缺乏,一方面制约着产量监测的精度,另一方面导致作物估产在分区、分作物建立模型时遇到很大困难37,44,同样的问题也存在于种植面积提取及农情遥感监测中37。随着我国农产品贸易规模的进一步扩大,掌握粮食主产区作物产量精度和时效性的要求进一步提高,因此,提高生产力监测及产
39、量估算的时空精度具有重要意义45。在不能通过遥感技术直接获取具有高时空分辨率遥感数据的条件下,通过多源遥感数据时空融合技术融合中空间分辨率数据的高清晰的空间表达能力与低空间分辨率数据的高时间分辨率特征,生成一种具备中分辨率影像高空间分辨率特征及低空间分辨率影像高时间分辨率特征的数据,可以为高精度植被动态监测及生产力模拟等提供有效依据。把融合后的数据应用于生产力模拟,不仅提升了空间表达能力,而且最大程度上保留了原始观测信息,是一种行之有效的高分辨率生产力估算方法。在高标准农田建设及中低产改造等土地地理项目成效检测、高分辨率农田熟制检测等方面也具有广阔的应用前景。参考文献1SAKAMOTO T,Y
40、OKOZAWA M,TORITANIH H,et al.A crop phenology detection method using time-series MODISdataJ.Remote Sensing of Environment,2005,96(3):366-374. 2ZHANG X Y,FRIEDL M A,SCHAAF C B,et al.Monitoring vegetation phenology using MODISJ.Remote Sensing of Environment,2003,84(3):471-475. 3闫慧敏,肖向明,黄河清.黄淮海多熟种植农业区作物
41、历遥感检测与时空特征J.生态学报,2010,9(9):2416-2423.YAN H M,XIAO X M,HUANG H Q.Satellite observation crop calendar and its spatio-temporal characterisitics in multiple cropping area of Huang-Huai-Hai Plain.Acta Ecologica Sinica,2010,9(9):2416-2423. 4PENG Y,GITELSON A A,KEYDAN G,et al.Remote estimation of gross pri
42、mary production in maize and support for a new paradigm based on total crop chlorophyll contentJ.Remote Sensing of Environment,2011,115(4):978-989. 5PENG Y,GITELSON A A.Remote estimation of gross primary productivity in soybean and maize based on total crop chlorophyll contentJ.Remote Sensing of Env
43、ironment,2011,117(1):440-448. 6WU C Y,NIU Z,GAO S.Gross primary production estimation from MODIS data with vegetation index and photosynthetically active radiation in maizeJ.Journal of Geophysical Research Atmospheres,2010,115(D12):1256-1268. 7赵晶晶,刘良云,徐自为,等.华北平原冬小麦总初级生产力的遥感监测J.农业工程学报,2011,27(13):346
44、-351.ZHAO J J,LIU L Y,XU Z W,et al.Monitoring winter whear GPP in Huabei Plain using remote sensing and flux tower.Transactions of the CSAE,2011,27(13):346-351. 8YAN H M,FU Y L,XIAO X M,et al.Modeling gross primary productivity for winter wheat-maize double cropping system using MODIS time series and CO2eddy flux tower dataJ.Agriculture,Ecosystems&Environment,2009,129(4):391-400. 9胡波,孙睿,陈永俊,等.遥感数据结合 Biome-BGC 模型估算黄淮海地区生态系统生产力J.自然资源学报,2011,26(12):2061-2071.HU B,SUN R,CHEN Y J,et al.Estimation of the net ecosystem productivity in Huang-Huai-
