杂志的下一篇文章
卫星地面辐射的不确定性和制作地面辐射预算气候数据记录的挑战
下一篇特刊文章
利用PlanetScope图像的纹理信息监测农牧一体化系统中的草地地上生物量和冠层高度
期刊上的上一篇文章
通过综合地球物理勘探方法表征地热地质非均质性
特刊上一篇文章
低成本无人空中系统能否描述牧草质量的异质性？比利时南部蒂莫西牧场案例研究的启示
 
 
搜索用于文章:
标题/关键字
作者/附属机构/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
音量
问题
编号
第页
 
期刊销售
遥感
第12卷
第12版
10.3390/rs12121949
遥感损失
提交到此日志 本期刊的评论 提出特刊
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 竖起拇指（_U）
...
背书 短信
...
注释
第一页（_P）
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
澳大利亚 澳大利亚 澳大利亚
行距：
列宽：
背景：
审查

草地生产经营遥感研究综述

通过
苏菲·雷纳曼
1,*,
萨拉·阿萨姆
2和
克劳迪娅·库恩泽
1,2
1
德国乌尔兹堡大学地理与地质研究所遥感系，97074
2
德国遥感数据中心（DFD）、地球观测中心（EOC）、德国航空航天中心（DLR），82234 Wessling，Germany
*
信件应寄给的作者。
远程传感器。 2020,12(12), 1949;https://doi.org/10.3390/rs12121949
收到的提交文件：2020年4月18日/修订日期：2020年6月11日/接受日期：2020年6月15日/发布日期：2020年6月17日
（本文属于特刊草地管理遥感研究进展)
浏览地物
版本注释

摘要

:
草地占地球陆地表面的三分之一，主要用于畜牧业生产。草原的使用类型、使用强度和条件往往不明确。遥感可以在大空间尺度和高时间分辨率上分析草地生产和管理。尽管该领域的研究数量不断增加，但与其他植被类型相比，草原生物群落中的遥感应用在文献中的代表性不足，也缺乏精简性。通过回顾基于卫星的草地生产特征和管理遥感研究中的文章，我们描述和评估了方法和结果，揭示了现有工作的时空模式。此外，我们还强调了研究差距，并建议了研究机会。重点是管理的草原和牧场，并特别强调了基于地球观测数据的放牧强度和割草检测研究评估。放牧和割草对草地的生产和生态影响很大，是草地的主要管理类型。共审查了253篇研究论文。这些研究大多集中在草地生产性状上，只有80篇文章是关于草地管理和利用强度的。虽然基于遥感的草地生产分析在很大程度上依赖于地面与卫星数据或辐射传输模型之间的经验关系，但用于检测和调查草地管理的方法有所不同。此外，该综述发现，利用卫星数据对草地生产性状进行的研究往往缺乏将空间管理信息纳入分析中。以草地管理和利用强度为重点的研究大多调查了草地地块中强度水平均匀的较小研究区域。建议将草地产量估算与管理信息相结合，同时考虑到草地之间的变异性，以促进大规模连续监测和遥感草地产品的发展，这是迄今为止罕见的。

图形摘要

1.简介

1.1. 全球草原的作用和重要性

草地约占地球陆地表面的三分之一[1,2]它们出现在除南极洲以外的每一个大陆[三]. 全球农业总面积的70%由草原组成[1]. 它们用于畜牧生产以及奶、羊毛和皮革等伴随产品是许多人赖以生存的基础[三]. 对于全世界近10亿人来说，牲畜直接促进了生计和粮食安全[4]. 在发展中国家和低收入家庭中，畜牧业生产尤为重要。在萨赫勒地区，畜牧业占全国GDP的30%至80%左右[5]. 在南美洲、非洲和亚洲的多个国家，牲畜平均占家庭总收入的12.3%[6].
除了为牲畜生产提供饲料外，草原还具有多种功能和生态系统服务，这使它们成为必不可少的。最重要的是碳储存、生物多样性、水净化、侵蚀控制和娱乐[2,三,7]. 鉴于全球气候变化，碳封存和储存发挥着越来越大的作用。在全球范围内，草原的碳储量比森林高出50%左右，因为它们覆盖的面积很大[8]. 在未来的气候中，草原作为碳汇的作用可能会在某些地区进一步增加，因为草原被认为比森林更能适应更高的温度[9]. 在草原生态系统中，碳主要储存在地下，建立一个稳定的碳库需要几年时间[10]. 因此，草场年龄对碳储量有影响。当草原变成农田时，碳被释放出来[11]. 极端的气候条件，特别是干旱，会严重损害草原，降低其生产力[12]. 就生物多样性而言，使用较少的草地（即割草频率较低）植物物种丰富度和特有率较高，特别是与农业用地相比[13]. 此外，它们为许多鸟类和昆虫提供了宝贵的栖息地[13,14,15].

1.2. 草原的定义

世界范围内的草地相对来说是异质的，这使得一般的定义很难（参见[三]). 与森林相比，草原很难用树种的出现或消失来描述。草地不仅由禾本科植物组成，在一定程度上还包含其他草本植物，如草本、灌木和树木[2,16]. 他们是“中间人”[16]并且通常被定义为缺少其他功能[三]. 特别是，建议草原的灌木覆盖率不应超过25%，温带地区的树木覆盖率必须小于10%，热带地区必须小于40%[16,17].
除了这些可见的特征外，草原还由特定的生长条件来定义：“有足够的水分供草生长”和“气候和人为环境条件都会阻止树木生长”[18]. 因此，草原的出现与周期性干扰相结合，导致优势和草原物种的建立。这方面最重要的干扰是食草动物和火灾[19].
由于全球分布和异质性，草原有各种各样的术语。与草地管理相关的广泛使用的术语是牧场和牧场（土地）。牧场通常用于放牧牲畜，而牧场（土地）则用于牧草生产和通过放牧、砍伐或两者兼而有之的方式进行收获[20]. 与这两个术语更为不同的是草场，通常用于生产干草和青贮饲料[20]. 还有其他与草原相关的术语，这些术语出现在当地，与当地法律含义相关[17]或需要特定的地理位置条件，如坎波斯、塞拉多斯、利亚诺斯、潘帕斯、大草原、稀树草原和大草原[20]. 然而，这些地区不一定只有草地和其他森林覆盖。例如，热带草原通常是草原和森林之间的过渡地带。除此之外，稀树草原是一种特殊的植被类型，以热带或亚热带气候为特征[16]. 因此，利用遥感数据对草原生产和管理进行的审查不包括热带草原。
另一种广泛使用的区分是天然草地和非天然草地。天然或天然草地被理解为受到气候、火和本地食草动物的自然影响[16,19]. 非自然、管理或文化草原受到人类活动的影响和塑造[16,19]. 然而，大多数草原在某种程度上受到人类的影响，其程度可能有很大差异。因此，这种差异不应被视为严格可分离的类别，而应视为一个过渡范围。在这一范围的末端可能是种植的草地，其用途与农作物相当[16].
在这次审查中，重点是管理的草原、牧场和草地。

1.3. 草原的分布

世界上的草原从寒冷的大陆性气候到赤道的热带气候，分布在不同的海拔高度(图1例如[16]). 如上所述，全球有各种类型的草原，其组成和地貌具有异质性。因此，在草原周围划定边界并绘制全球地图是一项艰巨的任务。Ramankutty等人通过将中分辨率成像光谱仪（MODIS）和地球观测卫星（SPOT）植被传感器数据与农业库存信息相结合来解决这一问题[21]. 由此绘制的地图显示了2000年管理的草原和牧场(图1). 这张地图包括热带稀树草原覆盖的地区，由于与其他草原有很大差异，因此未纳入审查范围。不包括热带草原，牧场地图[21]这篇综述的重点是管理的草原和牧场。北美（称为大平原）、南美部分地区、欧洲、非洲中部和南部部分地区、澳大利亚东南部和西南部、新西兰以及中亚大部分地区都有大片连绵不断的草原(图1例如[16]).
草原永远有可能被改造成农田，尤其是在工业化地区[2,三]. 由于过去的多次转换，草原主要出现在由于不利的场地条件（如内涝、陡坡或干旱等）而无法进行集约耕作的地区[7,19].

1.4. 草地管理及其效果

由于草地类型不同，管理实践也不同[19]. 全球最广泛使用草原的是牲畜生产，包括牛、羊、山羊、马、水牛和骆驼[三,24]. 牲畜生产通常通过放牧或收割草地来进行，为牲畜提供干草或青贮饲料[三]. 草地收获在欧洲发挥着重要作用，但在北美、澳大利亚和中国也是一种常见的管理工具[三,25]. 除饲料生产外，还进行割草，以刺激草种的生长，减少草本植物和木本植物的数量[三]. 它不能被视为放牧的替代品，因为它是非选择性的。此外，还对草原采取了其他管理措施，如灌溉、施肥、播种和耕作。灌溉在全球作物管理中发挥着重要作用，一些草原也进行了灌溉[26].
除了场地条件外，草原的管理决定了其功能和生态系统服务。管理行动和使用强度影响草原生物圈、大气和水圈之间的生化过程和通量。例如，研究表明，草原土壤的碳储量通过密集放牧而减少[27,28]. 除碳外，氮循环也主要受农业集约化的影响[29]. 氮淋失就是一个例子，它对环境有强烈的负面影响，例如水生富营养化。氮淋失是由粪便过多的系统中的牲畜生产引起的[30]. 研究发现，通过根系和微生物氮吸收的变化，广泛使用的草地表现出较少的氮淋失[31]. 各种管理策略也会影响草原的生物多样性和物种组成[13,32]. 施肥、割草频率和时间或不同的食草动物有利于某些植物种类[三,33]它们本身决定了自然动物物种的分布。草原的生产力通常可以通过灌溉和施肥等管理活动来提高[34]. 然而，这些增强常常导致使用的加剧，这可能会导致草原退化[三].
世界上许多草原被认为正在退化[2,19]土壤贫瘠，沙漠化进程加剧。原因通常是草地的高度集约利用。密集使用的草原还显示出其他负面环境影响，如氮淋失或物种损失。在许多情况下，草原的实际状况以及使用的类型和强度尚不清楚[35]. 草原退化过程的证据越来越多，这已经引发了各国的政治意识和保护政策的实施[36,37,38,39]. 为了有效实现和成功实施可持续管理和生产战略，例如欧洲共同农业政策（CAP）[40]. 因此，需要进行大面积监测，并提供有关管理和农业生态参数的信息。除了经常未知的草原管理和状况外，饲料的生产大多没有量化，因为它通常不是出售的商品，而是直接用于农场。因此，由于气候变化、极端事件（如干旱）或虫害暴发造成的生产损失很难量化。

1.5. 遥感在草地监测中的作用

监测草地生产和管理的传统方法包括实地测量或统计，通常基于农民提供的信息。使用的现场测量包括生物量采集、涡流协方差塔测量、现场光谱仪和物候摄像机[41]等等。除了这些方法外，还可以使用遥感光学传感器获取的光谱反射率特性对绿色植被进行连续监测([42]以及其中的参考）。特别是在研究大面积和/或偏远地区时，卫星信息的利用具有很高的价值。因此，可以减少大规模实地活动的费用，获得客观的数据集，并且可以完成容易重复的研究设计。光学传感器可用于获取植被覆盖区的绿色度、活力和密度信息。除了常用的多光谱光学传感器，如高级甚高分辨率辐射计（AVHRR）、MODIS、陆地卫星机队和Sentinel-2，还有星载超光谱传感器，如Hyperion或CHRIS/Proba。高光谱数据可以用来检索植被的生物物理和生物化学变量，并且具有较高的光谱分辨率的优点[43,44,45]. 靠近光学传感器的是植被高度和冠层结构的信息[46,47]、土壤属性、表面粗糙度[48]和介电性能[46,49]合成孔径雷达（SAR）传感器（例如TerraSAR-X、Sentinel-1）可以通过使用后向散射信号、干涉测量或极化测量进行捕获。因此，利用遥感数据可以部分以自动化方式在大空间尺度上获取有关草原数量和质量的信息。此外，草原可能会显示出较高的年内和年间变化，尤其是在人为加剧的地方。通过使用具有中到高时间分辨率的重复卫星信息，可以最好地监测这些变量。此外，传感器的空间分辨率也起着重要作用。有相对较小的草地（小于1公顷），尤其是在密集使用的景观中，监测这些草地需要空间上详细的卫星信息。
在这里，我们关注草地数量性状和草地利用。草地生产的数量性状是评价草地状况和生态经济价值的重要参数。这些与在草原上实施的管理和使用战略密切相关。这些生产特征通常包括定量参数，如生物量和产量，和/或定量单位的时间信息，如生产力，其定义为每一时间每一面积的质量单位[20]. 在草地生产遥感研究中，这些数量性状往往不能严格区分，术语也不统一。因此，这里还结合草地生产性状进行了评价。
图2说明了管理草原的卫星监测的重要组成部分。光学传感器需要阳光（例如，这里的Sentinel-2），而SAR系统发送信号并接收后向散射的复杂信息（例如，此处的Sentinell-1）。草地以植被生长周期为特征。这取决于气候、现场条件和管理。最突出的管理策略，即放牧、割草、灌溉和施肥，在图2.在右侧(图2)阐明了草地生物量和生产力等数量性状。总箭头强调了使用多时相卫星数据检测草原年际和年际格局的重要性。

1.6. 本次审查的目标和结构

本文的目的是对利用卫星遥感调查全球草地生产特征和草地管理的现有研究进行回顾、结构和评估。过去，已经有一些关于草原遥感不同主题的综述[50,51,52,53,54,55,56,57,58]. 2014年和2015年，传感器Sentinel-1和Sentinel-2的发布引发了草原生产和管理遥感领域的研究活动，但迄今为止，该领域尚未在综述中涵盖。此外，在这里，我们不仅评估了所使用的方法，还评估了研究区域的分布、传感器和指数的使用频率以及所审查研究中研究周期的发展。本次审查的重点是管理草原和牧场。近年来，由于高分辨率卫星的可用性，草地管理和利用强度的遥感研究变得更加可行，因此研究工作有所增加。因此，特别强调这一领域的方法和结果的现状。本综述通过评估光学和SAR遥感草原生产特征和管理领域的研究，并强调所进行研究中的差距，对现有文献进行了补充。

2.审查材料和方法

使用搜索引擎Google Scholar和Web of Science进行了系统的文献研究。通过使用这些关键词和同义词作为搜索词，检查搜索引擎是否有关于草原生产和/或管理遥感的研究文章。搜索词的描述可以在中找到表1此外，还研究了被评论论文中引用的文献和引用被评论文章的文献，并在符合主题时纳入评论。搜索得到的文献经过筛选，只有符合以下标准时才包括在内：
  • 这些研究文章明确关注草原。
  • 研究文章分析了草地生产的数量特征（如生物量或生产力）和/或调查了草地管理策略或使用强度。
  • 研究文章使用了星载地球观测数据。
对于出版日期、研究领域或期刊类型没有任何限制。这导致了253篇论文的发表，补充资料中列出了这些论文的清单补充表S2.
对所有论文进行了审查，收集了有关研究期间、研究区域/地点、使用的传感器和参数、数据集类型、方法、目的和主要发现的信息。然后对这些论文进行了更详细的审查，这些论文利用遥感数据调查了草原管理。这包括关于一般管理类型、使用强度和/或管理行动的频率和时间的研究（即割草、灌溉、施肥）。除了上述特征外，还对这些论文的研究范围进行了审查，开展了实地活动，并采用了详细的处理、方法和验证方法。在这篇详细的综述中，还考虑了与广泛综述相对应的论文，以纳入所有关于这一狭义主题的研究。在这方面，共审查了80篇论文。

3.审查结果

3.1. 生物质、生产力和管理的遥感概述

在所审查的253篇论文中，70%调查了草地生产，18%仅讨论了管理和使用强度，12%有不止一个主题。最常见的期刊是《国际遥感杂志》（35项研究）、《遥感》（30项研究），《环境遥感》（21项研究）和《生态指标》（16项研究）。

3.1.1. 综述研究的时间和空间模式

论文数量的时间发展与主题比例一起被检查(图3). 根据研究的主要目标对研究主题进行了区分。然而，这些经常是交织在一起的，例如，管理强度有时会通过某些生物量或生产力模式进行检查。涉及多个主题的研究将被多次计算。
在国家层面上调查研究地点的全球分布(图4). 对覆盖一个以上国家的试验点的研究进行了多次计数。有两项调查欧洲的研究和六项全球分析。这些不包括在图4此外，每个大陆显示了不同比例的调查主题。到目前为止，研究地点最多的是中国，共有89项研究。考虑到研究主题的比例，欧洲有很大比例的研究调查了草地管理策略和使用强度，其次是澳大利亚和大洋洲。其他大陆通过调查遥感数据（超过三分之二）揭示了绝大多数关于草地生产特征的研究。
通过显示起始年份、结束年份和所用时间序列的长度（一年或多年）以及多图像和单图像分析来检查所审查文章的研究周期(图5). 多时间研究的定义是由覆盖同一地区的至少五幅卫星图像组成。一般来说，许多研究调查了几十年的卫星数据时间序列，以获得有关草原生产和管理的知识，因为有多个研究的研究周期可追溯到1981/1982年。研究侧重于草地管理策略和使用强度，较少使用（较长）时间序列。所有已审查论文的许多研究期始于1999年，这也是Landsat-7和中分辨率成像光谱仪（MODIS）Terra卫星的发射年。

3.1.2. 综述研究中使用的传感器

在回顾的研究中，大多使用光学传感器(图6)同时，当我们仔细研究生产和管理这两个主要主题时。检查使用的传感器和传感器组(图7)研究表明，MODIS（Terra和Aqua）和Landsat机队在过去的应用最多，分别进行了103项和70项研究。

3.2. 草地生产遥感方法与结果

3.2.1. 以植被指数为代理调查草地生产

在许多研究中，基于光学传感器的植被指数被用作研究草地生产的时空模式的代理。计算并目视检查了几个通常依赖于近红外和红带等的指数[59,60,61,62,63,64,65,66,67,68]. 归一化植被指数（NDVI）是目前在这方面最常用的指数。通过调查多个时间步长趋势和长期模式的植被指数，例如得出了保护计划的效果。

3.2.2. 利用植被指数和地面状况数据绘制草地产量图

除了定性和目视检查外，植被指数还经常与地面数据集进行比较和关联，以调查其与草地生产的相关性。草原生产分析的典型地面实况数据集是生物量样本或涡流协方差塔测量[41]. Zhou等人[69]将基于MODIS数据的几个植被指数与涡度协方差测量值进行关联，发现当植被覆盖率较高时，增强植被指数（EVI）具有较高的显著性。对于低植被覆盖率，土壤调整植被指数（SAVI）与涡流塔测量值的相关性最好[69]. 此外，研究表明，基于卫星的绿色指数和涡度协方差测量之间的关系在不同的时间尺度之间并不恒定[70]. 绿色指数的反应似乎比涡流协方差塔在短时间尺度上测量的产量慢。
为了绘制草地生产图，调查了地面实际数据和植被指数之间的经验关系，并建立了经验模型。基于涡度协方差测量和其他生物物理变量，使用回归树方法估计每周的草地产量[71]这揭示了草原作为碳汇的潜力。
除了涡流协方差测量作为地面变量外，生物量样本还经常用于训练经验模型，以绘制草地生产图。在使用生物量样本和遥感数据调查草地生产的62%研究中，NDVI至少是作为模型输入测试的指标之一。EVI（15%）、SAVI（9%）和叶面积指数（LAI）（8%）也经常在基于卫星数据的生物量模型中使用。经验关系主要是通过使用简单线性或多元线性回归建立的（60%的研究使用生物量样本）[72,73,74]. 此外，在某些情况下，还测试了基于机器学习的回归方法来估计生物量，例如随机森林[75,76,77,78]、支持向量机[79]，广义线性模型[80]，高斯过程回归[81]，人工神经网络[82,83,84,85,86,87,88]和自适应神经模糊推理系统[83]. 综述论文中的生物量模型显示了R的高精度2-值为0.4至0.97(图8). 最高R2-当限制减少目标变量的时间或空间异质性时，达到了0.95以上的值。例如，根据草地覆盖类型预先过滤调查区域，或者只调查了一年中的某个时间[89,90].

3.2.3. 利用建模方法估算草地产量

辐射传输模型通常用于估算草原的定量生物物理参数，如生物量或生产力。根据辐射传输模型PROSAIL得出的LAI，生物量估算为[86]. PROSAIL模型是叶子光学特性（PROSPECT）和冠层双向反射（SAIL）模型的组合，常用于推导植被的生物物理特性[91]. 草地产量基于模型推导的另一个例子是作物生长模型STIS（Simulatur mulTIdisciplinaire pour les Cultures Standard）的应用，例如：[92].
大多数研究基于卫星数据，使用光利用效率（LUE）模型，调查了草地生产力，通常为每次单位面积的质量[93,94,95,96]. 在回顾的研究中，最常用的变体是CASA（卡内基-艾姆斯-斯坦福方法）模型，例如：[97,98]. 在CASA模型和LUE模型中，生产力是作为吸收的光合作用活性辐射（APAR）和LUE的函数计算的。APAR可以从某些植被类型的基于光学传感器的植被指数中得出[99]. 被评论文章使用的另一个基于LUE的模型是植被光合作用模型（VPM），例如[100]与CASA模型相对相似，但LUE估算方法不同[101]. 其他基于过程的模型是BIOME-BGC，用于利用遥感数据估算草原生产力[102]，C-固定[103]脱氮-脱组分（DNDC）[104]，全球生产效率模型（GLO-PEM）[105]、温度和绿度（TG）模型[106]、绿色与辐射（GR）模型[106]，涡流协方差光利用效率（ECLUE）模型[106]，植被生产和呼吸（VPRM）模型[106]以及动态生态系统中的有机碳和水文（ORCHIDEE）模型[107]. 在比较一些用于估算中国草地生产力的模型时，Jia等人[106]发现基于LUE的模型ECLUE表现最佳。这些基于模型的草地产量估算通常通过与涡流协方差塔测量值进行比较来验证[107,108,109,110,111,112].

3.2.4. 草地生产影响因素分析

分析了草地生产的各种区域和时间格局和趋势，并研究了气候的影响。降雨量是草地生产的主要决定因素[60,113,114,115,116]. 特别是在生长季的早中期，降水量与草地产量呈正相关。然而，草地生产对降水的敏感性时间尺度在不同的草地上从日到月和季节不同[117]. 温度与草地产量大多呈负相关[118,119]. 此外，温度对草地生产的影响在季节内发生变化，生长季开始时影响最大[120]. 对于一些草原，温度对草原生产的影响取决于最近的降水量[60]或土壤含水量[121]. 当植物有效水充足时，较高的生长季平均温度对草地生产有积极影响[121]. 在比较与人类活动（例如，放牧率）和草地生产有关的人口普查数据时，大多数情况下都揭示了存在的关系[97]. 与气候的影响相比，人类活动的影响更大[119]或更小的[115,122,123]对草地生产的影响。

3.3. 草地管理与利用强度遥感研究综述

3.3.1. 草地管理与利用强度遥感管理类型、研究区域和参数

利用卫星遥感数据调查草原管理和使用强度的研究主要集中在割草和放牧管理选项上(图9). 研究其他策略，包括灌溉和施肥，几乎没有发现。对多个管理类型进行调查的研究进行了多次计数。
为了调查草地管理和使用强度，对研究区域的范围进行了检查(图10). 对于未规定研究区域确切大小的研究，使用这些研究中的地图估计范围。对分析多种管理类型的研究进行了多次统计。
在利用遥感数据调查草地管理的研究中，NDVI是使用最广泛（46%）的指数。对12%的LAI进行了调查，11%的波段反射率值被纳入研究。对7%的病例进行EVI分析，对5%的病例进行fCover分析。后向散射信息是基于雷达系统的最常用参数，在所有研究中出现率为15%。总的来说，6%的研究着眼于干涉测量计算出的时间相干性。基于光学卫星的较少出现的参数包括吸收的光合作用主动辐射分数（FAPAR）、带穗帽成分、归一化差值水分指数（NDWI）、SAVI和基于哨兵-2红边带的植被指数。基于雷达系统，还研究了极化分解参数，如α角和熵、极化相干或不同极化之间的强度比，以分析草原管理。

3.3.2. 草地管理与利用强度遥感方法研究

在基于卫星的草地管理和使用密集度研究中应用了各种方法。它们可以大致分为以下几类：分类、相关性/回归分析和时间序列分析。分析了这些方法在回顾性研究中应用的研究重点或研究目的(图11). 根据研究目的，这些类别有时不能严格区分，并且混合了各种方法来获得草地管理信息。
最常用的方法之一是分类法，而使用的分类器和具体目的各不相同。对放牧、割草或混合等各种管理策略进行了分类[124,125,126]或者重点是强度，并应用分类来检测草原的不同使用强度[127,128,129]. 在以割草草地为重点的研究中，分类用于检测生长季节的割草事件[130,131,132].
关于分类器，以下已用于草地管理或强度分类：决策树和随机森林[127,128,129,130,133,134,135]，K-最近邻[124,125,134,136]，支持向量机[124,133,136,137,138]，判别分析[124,126]，朴素贝叶斯分类器[124]，神经网络[132]和经验决策规则集[124,127,128,134,139,140]. 用于分类的卫星产品基于光学和合成孔径雷达系统（见图6). 除了分类图结果外，还经常研究单个解释变量的影响和重要性。主要目的是区分人类和自然影响因素的影响，并确定最重要的影响因素，例如降雨量或载畜率[115,141,142].
除了分类之外，还进行了相关性和回归分析，以加深对卫星遥感指数或估计的生物物理参数（如生物量）与管理或使用强度相关的草地特征（如牲畜密度或退化代理）之间关系的理解[143,144,145,146,147,148]. 应用多元统计来评估管理和使用强度相关参数的重要性，以确定基于卫星的指数和变量的模式，并将其与场地条件的影响区分开来[115,149].
另一种重要的方法是对基于卫星的信息进行时间分析，以提取草原的动态过程，例如割草事件或不同的放牧模式。在更多的探索性研究中，目视检查了遥感参数的时间序列，并将特定事件之前、期间和之后的时间模式进行了比较，并将其相互关联，并与现场数据关联[150,151,152,153,154,155,156,157,158]. 分析了卫星数据得出的指数或生物物理参数的趋势，特别是为了揭示放牧强度模式[25,64,115,147,159]. 对于割草事件的检测，时间序列数据在分析特定时间模式（通常是变化、局部/全局最小值或偏差）时发挥了关键作用[160,161,162,163].
接下来，根据草地管理遥感研究的主要目的，概述了草地管理遥感学研究的方法、结果和验证。

3.3.3. 草地管理与利用强度遥感研究结果与验证

管理类型检测

基于卫星的草地管理遥感的一个中心目标是检测应用的管理类型。大多数情况下，采用了一种分类方法，并将其分为三类：（经常）割草、放牧或这两者的混合。使用分类方法获得的最佳结果显示kappa值为83%[125]（时间动态扭曲、陆地卫星TM和SPOT-4）。为了检测管理类型，使用PROSAIL模型估计的LAI显示为一个重要的输入参数[124]. 在两种情况下，合并雷达后向散射数据并没有改善分类结果[124,126]. 此外，研究表明，春季和初夏的无云观测对于成功划分管理类型至关重要[164,165]. 特别是，这可以改进混合类的检测，而混合类通常不容易区分[164]. 到目前为止，研究的重点是割草和放牧检测，而不是灌溉或施肥等其他管理活动。一般来说，灌溉或水可用性信息可能是从雷达后向散射信息中提取的，因为它与土壤湿度有关[143].

放牧强度分析

以放牧强度模式为重点的研究使用植被指数时间序列进行趋势分析并提取区域模式[64,85,166,167]. 放牧强度被定义为一个代理，例如植被指数[64]，根据生物量信息估算[85,168]，根据牲畜普查数据进行统计[147]或者是基于野外实验[167,169]. 当放牧强度基于牲畜数据时，通常定义为每一区域的动物数量[167,169]. 在一些研究中，土地分配算法被应用于从低分辨率人口普查数据中生成牲畜密度的空间信息，例如[170].
为了检测放牧强度，基于光学传感器的植被指数是调查的重点[115,150,167,169]. 根据田间试验，NDVI与放牧强度测量值之间存在显著关系[167,169]. 在这些研究中，发现了放牧强度和退化影响的正负趋势，并发现保护方案可导致改善[147,150,166]. 在水塘附近发现了放牧强度的热点[150]. 为了从气候影响中分离集约放牧的负面植被效应，草地生物物理参数（冠层覆盖率、生物量）或条件指标（NDVI）与牲畜密度和气象数据相关，或进行多元分析[115,144,147,150,171]. 放牧率在这方面的影响结果好坏参半，因为检测到与草地特征的显著和不显著关系[115,144,147].

割草事件检测

将遥感数据应用于草原管理研究的另一个密切相关的研究目标是检测割草日期。当使用分类方法时，将草地的卫星光谱或SAR信息区分为切割草地和未切割草地。Siegmund等人[135]使用Sentinel-1后向散射和时间相干数据进行割草检测的总准确度达到91%。然而召回率很低，F1总得分为55%。Taravat等人关注密集使用的草地[132]采用基于SAR的后向散射和纹理度量的人工神经网络，两个测试点的总准确度为85%。纹理度量是比SAR后向散射信号更重要的输入变量。基于光学传感器的植被指数分类，仅在广泛使用的草地上，总准确度为85%[130]. 应用于SAR后向散射数据的基于规则的变化检测方法可以成功检测切割事件，例如Grant等人[172]72%的事件被检测到。尽管整个生长季的数据集都包含在分类中，但这些方法通常不考虑时间信息。
基于时间决策规则集的时间序列分析方法导致R2与地面数据相比，割草检测成功率超过0.9[160]. 本次调查的草地相对均匀，均以每年三次割草事件为特征。Kolecka等人[163]通过识别NDVI系列数据集中的突然下降，在正确检测到的割草事件中，总准确度达到77%。此外，通过检测NDVI序列中的局部极小值，Estel等人[161]利用检测到的割草事件计算割草频率，准确率为80%。Griffiths等人[162]对德国的割草事件进行了调查，结果导致了管理草原的异质汇编。他们只对结果进行了定性评估。
基于SAR的后向散射信息显示了割草过程中振幅的差异[172]但在草原的生物物理性质和背向散射之间没有发现明显的关系[158]. X波段传感器的相干性与草地的湿地上生物量和植被高度都相关。可以描述割草事件后一致性的预期增加；然而，它并非一直存在[154,157]. 此外，还发现了晨露的强烈影响，特别是当雷达图像是在早上相对较早的时候采集的[154]. 考虑到极化，主散射α角分解参数在检测地面割草时表现出良好的一致性[155]. 然而，分解参数与发现的草地生物物理变量之间没有显著相关性，检测到的模式也不一致[156].

一般使用强度

割草事件和/或放牧强度的成功检测通常被视为估算草地总体使用强度的基础[161,162,163,170]. 为了区分不同强度等级，进行了分类[127,128,129,133,139]. Barrett等人[133]根据不同的雷达传感器对10个土地覆盖等级进行分类，包括不同草地强度的区分，总的准确率达到96.6%。令人惊讶的是，诸如坡度、海拔和土壤信息等辅助数据比卫星数据更重要。使用高空间分辨率光学数据，Franke等人[128]结果表明，在划分四类不同程度的草地利用强度时，总体准确率为85.7%。在这项研究中，代表光谱动力学的参数是分类的重要输入变量[128]. Gomez-Gimenez等人[170]综合割草频率、放牧强度和牲畜密度估算，分析瑞士苏黎世州的放牧强度。在最近的一项研究中，根据NDVI时间序列检测到的管理事件生成了草地的使用强度等级[173].

4.讨论

4.1. 全球草地生产和管理遥感模式、规模和产品

在几乎所有拥有大片连续草原的国家中，至少有一项基于遥感的生产或管理特征研究。比较草原的范围(图1)到进行草原研究的国家(图4)，一些国家，如东欧国家，完全失踪。此外，全球范围内的研究数量差异很大。在中国锡林郭勒草原等草原上，存在着多项基于卫星数据的草地生产研究。南美洲和非洲在这方面的研究相对较少，尽管并不缺乏草原覆盖地区。草原地区之间研究数量的差异可能更多地与实际问题有关，而不是与草原的重要性和价值有关，例如，针对草原的研究项目和活动较少。因此，对于一些草原覆盖面积较大的国家，仍然没有大规模的草原生产特征和管理信息和地图。
地球上的草原非常多样化和异质性[174]. 这似乎是基于遥感数据进行分析的障碍。研究的空间尺度因研究方法和研究重点而异。基于LUE模型的草地生产研究通常是大规模的全球研究。基于经验模型的草地产量估算依赖于地面实际数据，通常在区域层面上进行，草地管理和利用强度分析通常在区域或地块层面上进行。这可能是由技术和方法条件造成的。在这方面不断取得的进展，如模型改进、先进的机器学习算法或时间序列分析，可能在不久的将来改变这种模式。此外，哨兵舰队等高分辨率卫星的数据可用性改善了草原监测，迄今为止主要利用了陆地卫星和MODIS时间序列数据集。除了缺少大型产品外，还缺乏基于遥感的草地生产和管理特征的自动化检索和监测系统。

4.2. 草地生产遥感评价

4.2.1. 用于草原产量估算的遥感传感器和指标的评估

对于基于遥感的草地生产，如生物量和生产力，研究主要集中在光学系统上（相比之下第3.1.2节). 利用SAR数据（至少与数据源一起）可能是有益的，特别是因为Sentinel-1可以提供高分辨率SAR时间序列数据，而Sentinel-2不受云数据间隙的限制。雷达系统在森林生态系统研究方面有着悠久的历史（参见[175]). 此外，在农田内，SAR数据已被公认为有效的来源，不仅用于作物类型分类，还用于生物物理参数的检索[49]. 根据作物的不同，基于SAR的时间后向散射信息已经与植物生物量的物候学表现出良好的一致性。例如，大豆生物量与基于C波段的HV背散射相关（R值0.81）[176].
除此之外，由于在不久的将来将推出各种高光谱传感器，例如EnMap，高光谱数据的使用肯定会增加[177]. 迄今为止，利用星载高光谱数据对草原的生产特性或管理进行研究的情况很少。有一些探索性研究，例如，在基于光谱辐射计数据和生物量样本的生物量模型中调查Hyperion数据的性能[178]或测试模拟的星载传感器数据[179]. 与星载数据相比，有多项研究使用机载高光谱数据来检索草原的生物物理变量[180,181,182]. 结果表明，通过使用经验关系和辐射传输模型，即使在异质草地上，也可以基于机载传感器HyMap成功地估计生物物理变量，例如LAI[181,182]. 基于这些结果，并考虑到可用数据集的增加，在不久的将来，星载高光谱数据的开发形成了一个很有希望的研究机会[45,177].

4.2.2. 基于地面实况数据与卫星数据经验关系的草原生产分析

遥感数据通常具有能够对地球表面进行大规模和多时相分析的优点。然而，草地产量估算大多需要实地测量作为培训和验证数据。由于其财务成本和工作量，这仍然是卫星草地生产调查的主要障碍，也是研究之间不一致的根源。此外，用当地实地数据（生物量样本或涡流协方差塔测量）校准的经验草地生产模型不容易转移到其他地区，尤其是不能转移到完全不同的草地系统。其原因是遥感参数与草地生产特征之间的经验关系可能发生变异。这种可变性还导致准确性降低，从而降低了捕获异质草地的草地生产模型的解释力。这也反映在R的大范围2-草地生物量模型评述(图8)这表明，生物量可以用遥感参数很好地解释，但并非在所有立地条件和所有草原上都是如此。
除了空间变异性外，遥感参数与草地生产特征之间的关系可能存在时间不一致性。对于高度活跃的草原来说，情况尤其如此。经常割草的草地通常在当前生物量和生产力方面表现出较高的（年内）动态。由于欧洲草原管理严密，经常被割草，这可能是对那里草原生产进行相对少量基于卫星数据的研究的原因。高时间分辨率的草地数量信息，如生物量，可能揭示管理事件，从而解释草地动态。为了建立一个有效的模型，这可能需要在一年中进行多次实地测量。这种相互联系也可能反过来起作用。如果事先存在关于管理活动的或多或少的准确信息，则可以在此基础上建立准确的生物量时间序列。时间生物量信息将有助于研究气候和气候变化对草原生产的影响，例如干旱。此外，多时相生物量数据将有助于分析各种管理策略的影响及其与气候相关波动的分离。

4.2.3. 利用建模方法估算草地产量

与依赖于地面实况数据（生物量样本和涡协方差塔测量）的草原生产经验模型不同，草原生产力和生物量也可以基于物理模型进行估计。在这些模型中，可以检索草原的生物物理参数。在大多数情况下，草地生产力是估计的。生产率检索主要基于LUE模型，适用范围更广。已经有一些全球产品，例如八日/月MODIS净初级生产力（NPP）产品[183]. 这样做的好处是，可以利用这种大规模产品分析全球过程和相互作用，例如气候对生产力的影响。基于物理模型的生产力和生物量估算不需要现场测量作为模型输入。然而，由于小尺度草地的异质性和时间可变性，为了实现合理的产量估算，通常需要进行基于现场数据的校准，例如使用涡流协方差塔测量[184,185,186].

4.2.4. 利用遥感数据分析草地生产和生产力的影响因素

草原生产研究的一个主要研究重点是气候影响的调查。这对于实现气候变化的最佳缓解战略尤为重要。降水作为草地生产的主要影响因素具有很高的重要性，例如[60,113,114,115,187]. 降水和温度对草地生产的影响相对复杂，因为它可以随着生长季节的变化而变化，在不同的草地之间变化，并相互决定和依赖[117,120,121]. 与人类活动的影响相比，两者都更大[119]和更小的[115,122,123]发现了对草地生产的影响。在更大范围的分析中，关于人类活动的信息通常是基于人口普查的，例如库存率，因此不是空间信息。到目前为止，空间上明确的管理和使用强度信息大多未被考虑，这将改进对草地生产影响因素的评估，从而加强保护计划。
极端天气事件，如干旱，也对草原的状况和生产产生强烈的负面影响，例如：[188,189]. 在高度依赖草原畜牧业生产的社会中，极端天气导致的草原生产减少可能对自然、经济和人类造成严重后果[190]. 鉴于全球气候变化，一些地区的周期性干旱事件将增加，因此需要采取缓解战略。草地的抗旱性和抗旱性取决于管理、使用强度和物种丰富度[191].

4.3. 草地管理遥感评价

4.3.1. 使用的遥感传感器评估和草地管理分析指标

考虑到用于草地管理和利用强度遥感的卫星数据，审查的研究表明，时间序列具有高度相关性，尤其是温带草原春季和初夏的高质量采集[165]. 在一年中的这个时候，在割草或放牧事件前后，植被的生产力和植物生长速度都很高。因此，光谱和后向散射信号的幅度变化很大，提高了管理事件的可检测性。大多数使用光学卫星数据作为植被指数的研究，如NDVI和EVI，表明它们很好地代表了草原的状况[167,169,170]. 基于SAR数据，HH/VV比值与草地物候关系良好[136]. 在半干旱地区，SAVI可能会改善对草地状况和利用强度的分析[145,192]尽管这些指数可以很好地监测当前的草地状况，但由于云层造成的数据缺口对于所有光学卫星数据产品来说都是一个问题。与此相反，可以使用SAR数据得出的参数来获得离散时间序列。如中所述第3.3.3节，一些研究已经研究了基于雷达的参数的性能，主要是后向散射振幅、干涉相干性和基于极化的分解参数，主要用于割草事件检测[155,156,158,172]. 特别是时间相干性似乎能够成功检测割草事件[154,158]. 然而，它在更大范围内的表现，包括一组异质草地，仍需要进行调查。除此之外，结合使用光学和SAR数据，例如通过融合Sentinel-1和-2，可能会改进草原管理的分析[193,194,195].

4.3.2. 利用遥感数据检测放牧和放牧模式

放牧是全球最常见的草地管理类型。许多研究使用植被指数、生物量或生产力估算来调查放牧模式（例如[85,167,169,196,197]). Robinson等人[24]基于多边形统计和包括遥感数据在内的预测变量，对牲畜（牛、猪、鸡、鸭）的全球分布进行建模。然而，草地管理需要时间和更高空间分辨率的放牧强度信息，以缓解退化和成功保护。放牧强度分析中的另一个主要障碍是，放牧或过度放牧的影响不能轻易从气候影响中分离出来。进行多元分析以获得关于变量重要性的知识，例如[115]或在现场进行密集测试，可能支持分离这些影响因素。为了保证保护机制的成功，应考虑到气候因素和管理，因为它们密切相关[33].

4.3.3. 基于遥感数据的草地割草检测

草原割草日期和频率的检测在欧洲发挥着重要作用。在欧洲草原内，割草动态变化很大，因为管理的草原每年割草一至六次。所有分析卫星割草检测的回顾性研究都调查了欧洲的草地。对于同质管理的草地（例如，所有监测的草地每年砍伐三次），基于卫星数据的割草检测取得了令人满意的结果[132,160]. 当分析中包括从广泛管理到集约管理的草地时，有效割草事件检测的百分比较低。研究表明，在广泛使用的草地上，尤其是单一割草事件的检测不太成功，在密集草地上，第四次至第六次割草事件检测减少[162]. 此外，草原割草日期和频率检测的验证是一个关键点，因为独立的验证数据集往往缺失，或者验证数据集缺乏足够的时间和空间分辨率。割草活动的验证数据是根据目视卫星图像判读，通过定期实地考察获得的，在实地考察中，割草活动是粗略估计的，或者有农民提供的管理信息。更高分辨率（例如，每日）的割草活动信息不仅可以改进验证，还可以优化检测算法。此外，使用分类方法对检测到的割草事件进行验证的方法是一个重点，通常基于分类的混淆矩阵。当草原被分为“切割”和“未切割”两类时，总的准确性可能会有偏差，因为“未切割的”类要大得多，而成功检测未切割的草原并不是主要目的。当目标是成功检测割草事件时，专注于召回（已识别真阳性的比例）或使用更复杂的F评分将改善评估。除了包括非均匀管理的草地场地和在更大范围内独立验证数据的可用性外，审查的研究还揭示了基于卫星的割草检测方面的其他困难。一方面，随着边缘效果的放大，小包裹尺寸存在问题。另一方面，由于在地块层面进行分析时，信号模糊，因此对草地进行分段割草是一个主要困难。

4.3.4. 草地灌溉施肥遥感监测研究

从具体的管理战略来看，在卫星遥感领域，灌溉草地和施肥活动的检测似乎没有得到充分的体现。由于气候变化，草地灌溉的作用可能会增加。应调查灌溉的模式和影响，因为全球许多草原地区预计会出现更加极端的天气，伴随着不稳定的降水事件和干旱期[198]. 已经有人尝试利用卫星数据探测灌溉或草原土壤湿度[143,199]. 使用Sentinel-1和Sentinel-2数据可能会改进该领域的研究。施肥对草原生态系统中的氮循环起着重要作用，农作物的氮素状况对农民来说很有趣。然而，目前使用机载或手持遥感技术，主要考虑高光谱数据，检测植物的施肥和/或氮素状况似乎更可行[200,201].

5.结论

对草地生产特征、管理和使用强度的卫星数据分析领域研究的回顾和评估揭示了以下模式和研究机会：
  • 共回顾了253篇研究文章，对草地生产特征和管理研究的遥感现状进行了全面综述。
  • 近20年来，利用遥感数据进行草地生产和管理的研究呈不规则增长趋势，但势头强劲。
  • 草原生产和管理的研究频率在全球范围内分布不均，南美洲（占所有研究的5%）和非洲（占所有研究的4%）草原的代表性似乎不足。因此，仍有大片草地需要进一步调查，特别是这些国家的许多人可能严重依赖草地畜牧业生产。
  • 欧洲对草地生产的遥感研究相对较少（30%），这可能是由于大规模的管理活动和草地生产的高可变性。为了成功估算产量，需要对管理策略和事件的检测以及这些小型和异质使用的草原地块上的草原生产进行研究。
  • 总的来说，只有六项研究覆盖全球进行分析，除了基于LUE模型的草地生产力分析外，大多数研究都是在当地进行的。扩大研究范围以调查草地生产和管理，同时包括异质草地，同时考虑这些草地之间的变异性，这是一个有趣的未来研究重点。
  • 时间序列在草地生产和管理分析中一直发挥着核心作用，其中陆地卫星和MODIS卫星舰队是重点。未来，哨兵机队以及光学和SAR卫星数据的组合将非常重要。
  • 92%的研究使用了光学卫星数据，特别是在以草地生产为重点的研究文章中。对于草原生产和管理相关的研究，只有少数光学和SAR系统相结合（4%）。
  • 基于遥感数据的定量草地生产估计，如生物量产品，将通过在结果中添加时间信息而得到改进。特别是在高度管理的地区，这将有助于产量估算。改进基于过程的模型以检索生物量信息或应用更先进的机器学习算法进行基于经验关系的生物量分析也可能更好。
  • 目前，在草地生产分析中，重点是气候的影响，研究将从在分析中包含空间上明确的管理信息而得到改进。
  • 基于卫星数据的草地管理和使用强度研究通常以相对较小的规模进行（90%的研究在10000 km以下2)或者只关注一个强度水平或均匀草地。扩大研究区域并纳入不同的草地以更好地反映实际情况，将是这方面未来研究的一个有价值的方向。
  • 需要更多自动化和大规模的草原产品，这将使全球草原能够持续监测。因此，将产生有关国家、草原生产和管理以及气候（变化）影响的知识，并允许制定适当的管理和保护计划。
近年来，草地生产特征和管理的遥感研究越来越受到人们的关注。这篇综述表明，对于未来的研究，该领域仍有许多必要的进展。

补充材料

以下内容可在线获取，网址为https://www.mdpi.com/2072-4292/12/12/1949/s1，表S1：各种草原图像的版权信息，表S2：已审查研究的完整列表。

作者贡献

概念化、S.R.、S.A.和C.K。；方法论，S.R。；形式分析，S.R。；调查，S.R。；编写——原始草案编制，S.R。；Writing-Review and Editing，S.R.、S.A.和C.K。；可视化，S.R。；监理、S.A.和C.K。；Funding Acquisition，S.A.所有作者均已阅读并同意手稿的出版版本。

基金

这项研究是在SUSALPS项目中进行的(https://www.susalps.de网站/)由德国联邦教育和研究部（BMBF）资助，批准号031B0516F。

致谢

我们要感谢NASA社会经济数据和应用中心（SEDAC）和NOAA国家环境信息中心公开提供全球土地覆盖图和气象站数据。此外，我们要感谢四位审查员提出的有益和建设性意见。

利益冲突

作者声明没有利益冲突。

工具书类

  1. 雷诺兹，S。；Frame，J。草地：发展、机遇、前景; 食品和农业组织：意大利罗马，2005年。[谷歌学者]
  2. 怀特，R。；Murray，S。；罗韦德，M。全球生态系统初步分析——草原生态系统; 世界资源研究所：华盛顿特区，美国，2000年。[谷歌学者]
  3. D.J.吉布森。草地与草地生态; 牛津大学出版社：英国牛津，2009年。[谷歌学者]
  4. 粮农组织。平衡中的粮食和农业畜牧业状况; 食品和农业组织：意大利罗马，2009年。[谷歌学者]
  5. 哈特菲尔德，R。；戴维斯，J。全球田园主义经济学评论; 国际自然保护联盟-国际自然保护联合会：格兰德，瑞士，2006年。[谷歌学者]
  6. Angelsen，A。；贾格尔，P。；Babigumira，R。；贝尔彻，B。；新泽西州霍加斯。；Bauch，S。；Börner，J。；Smith-Hall，C。；Wunder，S.《环境收入与农村生计：全球比较分析》。世界发展。 2014,64, 12–28. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
  7. Gibon，A.管理用于生产、环境和景观的草地。农场和景观层面的挑战。鲜活。产品科学。 2005,96, 11–31. [谷歌学者] [交叉参考]
  8. R.T.科南特。草原系统碳封存的挑战与机遇——草原管理与减缓气候变化技术报告; 食品和农业组织：意大利罗马，2010年。[谷歌学者]
  9. Dass，P。；霍尔顿，B.Z。；Wang，Y。；沃林德·D·草原可能是比加利福尼亚州森林更可靠的碳汇。环境。Res.Lett公司。 2018,13, 074027. [谷歌学者] [交叉参考]
  10. Baer，S。；厨房，D。；布莱尔，J。；Rice，C.生态系统结构和功能沿恢复草地时间序列的变化。经济。申请。 2002,12, 1688–1701. [谷歌学者] [交叉参考]
  11. 小军，N。；小丹，W。；Suzhen，L。；石贤，G。；Haijun，L.137Cs追踪青藏高原原始草地改造后坡耕地土壤侵蚀、有机碳和氮的动态。申请。辐射。同位素。 2010,68, 1650–1655. [谷歌学者] [交叉参考]
  12. Reichstein，M。；Ciais，P。；Papale，D。；瓦伦蒂尼，R。；跑步，S。；维奥维，N。；克莱默，W。；Granier，A。；奥吉，J。；阿拉德，V。；等。2003年欧洲夏季气候异常期间生态系统生产力和呼吸减少：联合通量塔、遥感和模拟分析。手套。青稞酒。生物。 2007,13, 634–651. [谷歌学者] [交叉参考]
  13. Hilpold，A。；Seeber，J。；丰塔纳，V。；Niedrist，G。；里夫，A。；斯坦万特，M。；Tasser，E。；美国塔佩纳，草原集约化和废弃后，多个分类群中稀有和专业物种的减少。生物潜水员。保护。 2018,27, 3729–3744. [谷歌学者] [交叉参考]
  14. Di Giulio，M。；爱德华，P.J。；Meister，E.《提高农业草原昆虫多样性：管理和景观结构的作用》。J.应用。Ecol公司。 2001,38, 310–319. [谷歌学者] [交叉参考]
  15. Lengyel，S。；Déri，E。；Magura，T.物种丰富度对草地斑块之间和内部结构或组成栖息地多样性的响应：一种多分类方法。公共科学图书馆 2016,11，电子0149662。[谷歌学者] [交叉参考] [绿色版本]
  16. Dixon，A。；Faber-Langendoen，D。；Josse，C。；莫里森，J。；劳克斯，C.世界草地类型分布图。生物地理学杂志。 2014,41, 2003–2019. [谷歌学者] [交叉参考]
  17. Faber Langendoen博士。；乔西，C。世界草原和生物多样性模式：提交国际自然保护联盟生态系统管理计划的报告; NatureServe：美国弗吉尼亚州阿灵顿县，2010年。[谷歌学者]
  18. M·阿勒比。植物科学词典; 牛津大学出版社：英国牛津，2012年。[谷歌学者]
  19. Suttie，J.M。；雷诺兹，S.G。；巴特罗，C。世界草原; 食品和农业组织：意大利罗马，2005年。[谷歌学者]
  20. V.G.艾伦。；巴特罗，C。；Berretta，E。；霍奇森，J。；科特曼，M。；李，X。；McIvor，J。；Milne，J。；莫里斯，C。；Peeters，A。；et al.关于牧场和放牧动物的国际术语。牧草科学。 2011,66, 2–28. [谷歌学者] [交叉参考]
  21. Ramankutty，北卡罗来纳州。；A.T.埃文。；蒙弗雷达，C。；Foley，J.A.《种植地球》：1。2000年全球农业用地的地理分布。手套。生物地球化学。循环 2008,22，GB1003。[谷歌学者] [交叉参考]
  22. 新墨西哥州拉曼库蒂。；埃文，C。；蒙弗雷达，C。；Foley，J.A.《全球农业土地：牧场》，2000年，纽约：NASA社会经济数据和应用中心（SEDAC）。在线可用：https://doi.org/10.7927/H47H1GGR网站（2020年5月7日查阅）。
  23. 诺阿。国家环境信息中心-全球历史气候网络月刊; NOAA国家环境信息中心：美国北卡罗来纳州阿什维尔，2011年。
  24. 罗宾逊，T.P。；Wint，G.W。；Conchedda，G。；Van Boeckel，T.P。；埃coli，V。；帕拉马拉，E。；Cinardi，G。；D’Aietti，L。；海伊，S.I。；Gilbert，M.绘制牲畜的全球分布图。公共科学图书馆 2014,9，e96084。[谷歌学者] [交叉参考] [公共医学] [绿色版本]
  25. Chi，D。；Wang，H。；李，X。；刘，H。；Li，X.使用放牧压力指数评估放牧对中国锡林郭勒草原植被NPP变化的影响。经济。印度。 2018,88, 372–383. [谷歌学者] [交叉参考]
  26. Thenkabail，P.S。；比拉达尔，C.M。；Noojipady，P。；Dheeravath，V。；李毅。；Velpuri先生。；Gumma，M。；冈加拉昆塔，O.R.P。；图尔拉尔，H。；蔡，X。；等。全球灌溉面积图（GIAM），源自遥感，用于上千年末。《国际遥感杂志》。 2009,30, 3679–3733. [谷歌学者] [交叉参考]
  27. 德拉米尼，P。；Chiveven，P。；Chaplot，V.过度放牧在干旱气候和低土壤pH值条件下减少土壤有机碳储量最多：一项荟萃分析显示。农业。生态系统。环境。 2016,221, 258–269. [谷歌学者] [交叉参考]
  28. Han，G。；郝，X。；赵，M。；王，M。；艾勒特，B.H。；Willms，W。；Wang，M.放牧强度对内蒙古草原土壤和植被碳氮的影响。农业。生态系统。环境。 2008,125, 21–32. [谷歌学者] [交叉参考]
  29. Buttebach-Bahl，K。；Gundersen，P。；Ambus，P。；J.奥古斯丁。；贝尔，C。；Boeckx，P。；Dannenmann，M。；桑切斯·吉梅诺（Sanchez Gimeno），B。；Ibrom，A。；Kiese，R。；等。陆地生态系统中的氮过程。在欧洲氮评估：来源、影响和政策展望; 剑桥大学出版社：英国剑桥，2011；第99–125页。[谷歌学者]
  30. 贾维斯，S。；新泽西州哈钦斯。；布伦特鲁普，F。；Olesen，J.E。；van der Hoek，K.W.欧洲各地农业系统中的氮流量。在欧洲氮评估; 剑桥大学出版社：英国剑桥，2011；第211–228页。[谷歌学者]
  31. 弗里斯，F.T。；de Bloem，J。；Quirk，H。；史蒂文斯，C.J。；博尔·R。；Bardgett，R.D.广泛的管理促进了温带草原的植物和微生物氮保持。公共科学图书馆 2012,7，e51201。[谷歌学者] [交叉参考] [绿色版本]
  32. 穆勒，I.B。；Buhk，C。；兰格，D。；Entling，M.H。；Schirmel，J.灌溉和施肥对干草草地植物多样性的对比影响。基本应用程序。Ecol公司。 2016,17, 576–585. [谷歌学者] [交叉参考]
  33. Bernhardt-Römermann，M。；Römermann，C。；Sperlich，S。；Schmidt，W.解释草原生物量-气候、物种和功能多样性的贡献取决于施肥和割草频率。J.应用。Ecol公司。 2011,48, 1088–1097. [谷歌学者] [交叉参考] [绿色版本]
  34. 莫伊内特，G.Y.K。；Cieraad，E。；特恩布尔，M.H。；Whitehead，D.灌溉和氮肥添加对草地净生态系统碳平衡的影响。科学。总环境。 2017,579, 1715–1725. [谷歌学者] [交叉参考] [公共医学]
  35. Kuemmerle，T。；Erb，K。；Meyfroidt，P。；米勒，D。；Verburg，P.H。；酯类，S。；哈伯尔，H。；霍斯特，P。；Jepsen，M.R。；Kastner，T。；等。绘制全球土地利用强度图的挑战和机遇。货币。操作。环境。维持。 2013,5, 484–493. [谷歌学者] [交叉参考]
  36. 陈，H。；邵，L。；赵，M。；张，X。；Zhang，D.中国内蒙古草原保护项目、植被恢复和空间依赖。土地使用政策 2017,64, 429–439. [谷歌学者] [交叉参考]
  37. Cojocariu，L。；Horabraga，M。；玛丽安，F。；Bostan，C。；马泽雷，V。；Stroia，M.S.在草原和干草场地区实施欧洲生态网络Natura 2000。农业研究杂志。科学。 2010,42, 398–404. [谷歌学者]
  38. Leisher，C。；Hess，S。；T.M.鲍彻。；比基林，P。；van Sanjayan，M.测量蒙古戈壁社区草原管理的影响。公共科学图书馆 2012,7，编号：e30991。[谷歌学者] [交叉参考]
  39. Wu，W。；De Pauw，E。；Zucca，C.利用遥感评估中国鄂尔多斯牧场土地管理政策的影响。国际J.数字。地球 2013,6, 81–102. [谷歌学者] [交叉参考]
  40. 2013年12月17日欧洲议会和理事会关于欧洲农村发展农业基金（EAFRD）支持农村发展的第1305/2013号欧洲委员会（EU）条例，并废除第1698/2005号理事会条例（EC）。OJ L（Off.J.Eur.n Union L 347/487） 2013,347, 487–548.
  41. 内斯托拉，E。；卡尔法皮埃特拉，C。；埃默顿，C.A。；Wong，C。；Thayer，D.R。；Gamon，J.A.通过整合MODIS NDVI、近距离光学采样和涡流协方差测量，监测草原季节碳动态。远程传感器。 2016,8, 260. [谷歌学者] [交叉参考] [绿色版本]
  42. Atzberger，C.农业遥感进展：背景描述、现有业务监测系统和主要信息需求。远程传感器。 2013,5, 949–981. [谷歌学者] [交叉参考] [绿色版本]
  43. 拉斯特，M。；T.H.Painter，《陆地系统地球观测成像光谱学：其历史、技术和任务应用概述》。Surv公司。地球物理学。 2019,40, 303–331. [谷歌学者] [交叉参考]
  44. 特朗森，J。；德安德里蒙特，R。；Maugnard，A。；Defourny，P.sentinel-2背景下空间高光谱地球观测应用调查。远程传感器。 2018,10, 157. [谷歌学者] [交叉参考] [绿色版本]
  45. Verrelst，J。；马列诺夫斯克，Z。；范德托尔，C。；Camps-Valls，G。；Gastellu-Etchegory，J.-P。；刘易斯，P。；北，P。；Moreno，J.从成像光谱学数据量化植被生物物理变量：检索方法综述。Surv公司。地球物理学。 2019,40, 589–629. [谷歌学者] [交叉参考] [绿色版本]
  46. 希尔，M.J。；Donald，G.E。；Vickery，P.J.将雷达后向散射与温带多年生草地的生物物理特性联系起来。遥感环境。 1999,67, 15–31. [谷歌学者] [交叉参考]
  47. 美国韦格米勒。；Werner，C.用SAR干涉测量法反演植被参数。IEEE传输。地质科学。远程传感器。 1997,35, 18–24. [谷歌学者] [交叉参考]
  48. 麦克奈恩，H。；Brisco，B.C波段极化SAR在农业中的应用：综述。可以。J.遥感。 2004,30, 525–542. [谷歌学者] [交叉参考]
  49. 麦克奈恩，H。；Shang，J.作物监测用多时相合成孔径雷达（SAR）综述多时相遥感; 施普林格：瑞士查姆，2016年；第317-340页。[谷歌学者]
  50. 阿里，I。；考克韦尔，F。；德怀尔，E。；巴雷特，B。；Green，S.草原卫星遥感：从观测到管理。J.植物生态学。 2016,9, 649–671. [谷歌学者] [交叉参考] [绿色版本]
  51. Hill，M.J.放牧农业管理牧场、草地和牧场。在遥感、遥感用于自然资源管理和环境监测手册; Ustin，S.L.，编辑。；威利国际：美国纽约州纽约市，2004年；第4卷，第768页。[谷歌学者]
  52. Lu，D.基于遥感的生物量估计的潜力和挑战。《国际遥感杂志》。 2006,27, 1297–1328. [谷歌学者] [交叉参考]
  53. 谢尔伯格，J。；希尔，M.J。；Gerhards，R。；Rothmund，M。；Braun，M.草原精准农业：应用、前景和制约因素。《欧洲农业杂志》。 2008,29, 59–71. [谷歌学者] [交叉参考]
  54. Shoko，C。；穆坦加，O。；Dube，T.遥感C3和C4草种地上生物量随时间和空间变化的进展。ISPRS J.摄影。远程传感器。 2016,120, 13–24. [谷歌学者] [交叉参考]
  55. Tucker，C.J.《遥感和其他非破坏性估算现存作物生物量方法的评论》。牧草科学。 1980,35, 177–182. [谷歌学者] [交叉参考]
  56. Tueller，P.T.牧场管理应用遥感技术。兰格尔。经济。管理/J.靶场管理。架构（architecture）。 1989,42, 442–453. [谷歌学者] [交叉参考]
  57. Tueller，P.牧场管理中的遥感。安.干旱区 1995,34, 191–207. [谷歌学者]
  58. Wachendorf，M。；Fricke，T。；Möckel，T.遥感作为评估温带草原植物组成、结构、数量和质量的工具。草与饲料科学。 2018,73, 1–14. [谷歌学者] [交叉参考]
  59. 富兰克林，K。；Molina-Freer，F.墨西哥索诺拉旱地水牛草牧场开发对初级生产力、多年生植物丰富度和植被结构的影响。保护。生物。 2010,24, 1664–1673. [谷歌学者] [交叉参考]
  60. 高奇。；M.W.施瓦茨。；朱伟。；Wan，Y。；秦，X。；马，X。；刘，S。；Williamson，医学硕士。；彼得斯，C.B。；Li，Y.1982年至2011年全球草地生产力的变化归因于气候因素。远程传感器。 2016,8, 384. [谷歌学者] [交叉参考] [绿色版本]
  61. 顾毅。；Wylie，B.K.使用250米MODIS和30米Landsat-8观测数据，为内布拉斯加州中部开发了30米草地生产力估算图。遥感环境。 2015,171, 291–298. [谷歌学者] [交叉参考] [绿色版本]
  62. Kath，J。；布罗克，A.F.L。；Reardon-Smith，K。；Apan，A.极端干旱和降雨条件下农业草地生产力对土地利用和水文气候驱动因素的遥感响应。农业。对于。美托洛尔。 2019,268, 11–22. [谷歌学者] [交叉参考]
  63. F.M.Qamer。；Xi，C。；阿巴斯，S。；Murthy，M.S。；W.宁。；Anming，B.巴基斯坦兴都库什-喀喇昆仑地区草地生产力模式评估。持续性 2016,8, 961. [谷歌学者] [交叉参考] [绿色版本]
  64. 里夫斯，M.C。；Baggett，L.S.用于识别生产能力退化牧场的遥感协议。经济。印度。 2014,43, 172–182. [谷歌学者] [交叉参考]
  65. 里科塔，C。；不列颠哥伦比亚省里德。；Tieszen，L.T.美国大平原上C3和C4草对遥感生态系统性能年际变化的作用。《国际遥感杂志》。 2003,24, 4421–4431. [谷歌学者] [交叉参考]
  66. 塔克，C.J。；正义，C。；Prince，S.1984-1985年监测萨赫勒草原。《国际遥感杂志》。 1986,7, 1571–1581. [谷歌学者] [交叉参考]
  67. Yang，L。；Wylie，B.K。；Tieszen，L.L。；里德，不列颠哥伦比亚省。美国北部和中部大平原草原气候强迫和时间积分NDVI之间的关系分析。遥感环境。 1998,65, 25–37. [谷歌学者] [交叉参考]
  68. 尹，F。；邓，X。；金，Q。；袁，Y。；Zhao，C.气候变化和人类活动对中国青海省草地生产力的影响。前面。地球科学。 2014,8, 93–103. [谷歌学者] [交叉参考]
  69. 周，Y。；张，L。；肖，J。；陈，S。；加藤，T。；Zhou，G.《卫星衍生植被指数比较》，用于近似草地总初级生产力。兰格尔。经济。管理。 2014,67, 9–18. [谷歌学者] [交叉参考]
  70. Yan，D。；斯科特·R。；摩尔，D。；比德曼，J。；Smith，W.通过整合PhenoCam、卫星和涡流协方差数据，了解整个旱地生态系统中植被绿色度和生产力之间的关系。遥感环境。 2019,223, 50–62. [谷歌学者] [交叉参考]
  71. 怀利，B。；霍华德，D。；Dahal，D。；Gilmanov，T。；纪磊。；张，L。；Smith，K。美国大平原的草地和农田净生态系统生产：回归树模型开发和比较分析。远程传感器。 2016,8, 944. [谷歌学者] [交叉参考] [绿色版本]
  72. Edirisinghe，A。；希尔，M.J。；Donald，G.E。；Hyder，M.利用卫星图像对牧场生物量进行定量制图。《国际遥感杂志》。 2011,32, 2699–2724. [谷歌学者] [交叉参考]
  73. Edirisinghe，A。；克拉克，D。；Waugh，D.使用多光谱遥感对集约放牧多年生奶牛牧场的生物量进行时空建模。国际期刊申请。地球观测地理信息。 2012,16, 5–16. [谷歌学者] [交叉参考]
  74. R.C.史密斯。；亚当斯，M。；Gittins，S。；格拉迪，S。；伍德·D。；迈尔，S。；斯托沃德，R。；唐纳德·G。；Khohkar，S。；Allen，A.来自MODIS的地中海一年生牧场早季放牧管理的近实时反馈服务（FOO）。《国际遥感杂志》。 2011,32, 4445–4460. [谷歌学者] [交叉参考]
  75. 马吉拉，A。；Feilhauer，H。；Waldhardt，R。；威斯梅尔，M。；Otte，A.通过包括物种组成图来模拟山地草原的生物量。经济。印度。 2017,78, 8–18. [谷歌学者] [交叉参考]
  76. Ramoelo，A。；Cho，文学硕士。；马修·R。；Madonsela，S。；van de Kerchove，R。；Z.卡斯塔。；Wolff，E.使用随机森林建模和WorldView-2数据监测草地养分和生物量，作为牧场质量和数量的指标。国际期刊申请。地球观测地理信息。 2015,43, 43–54. [谷歌学者] [交叉参考]
  77. Wang，Y。；Wu，G。；邓，L。；唐，Z。；王凯。；Sun，W。；上官，Z。利用随机森林算法预测中国黄土高原地上草原生物量。科学。代表。 2017,7, 6940. [谷歌学者] [交叉参考] [公共医学] [绿色版本]
  78. 曾，N。；任，X。；He，H。；张，L。；赵，D。；Ge，R。；李，P。；牛，Z。使用随机森林算法估算青藏高原草地地上生物量。经济。印度。 2019,102, 479–487. [谷歌学者] [交叉参考]
  79. 张，B。；张，L。；谢，D。；尹，X。；刘，C。；Liu，G.从陆地卫星和MODIS数据混合的合成NDVI时间序列在草地生物量估算中的应用。远程传感器。 2016,8, 10. [谷歌学者] [交叉参考] [绿色版本]
  80. 新几内亚巴吉。；Oldeland，J.土壤调整或标准植被指数能更好地预测伊朗东北部半干旱、盐碱地的地上生物量吗？《国际遥感杂志》。 2019,40, 8223–8235. [谷歌学者] [交叉参考]
  81. 尹，G。；李，A。；吴，C。；Wang，J。；谢奇。；张，Z。；Nan，X。；Jin，H。；卞，J。；Lei，G.基于高斯过程回归和填隙陆地卫星8 OLI反射率的野外测量草地地上生物量无缝放大。ISPRS国际地理信息杂志。 2018,7, 242. [谷歌学者] [交叉参考] [绿色版本]
  82. 阿里，I。；考克韦尔，F。；格林，S。；Dwyer，N.基于超时间卫星遥感时间序列的草地产量估算统计和机器学习模型的应用。2014年IEEE地球科学和遥感研讨会论文集，加拿大魁北克省魁北克市，2014年7月13日至18日；第5060–5063页。[谷歌学者]
  83. 阿里，I。；考克韦尔，F。；德怀尔，E。；Green，S.建模使用多时相遥感数据管理草地生物量估算——机器学习方法。IEEE J.选择。顶部。申请。地球目标遥感。 2017,10, 3254–3264. [谷歌学者] [交叉参考]
  84. 李，F。；江，L。；王，X。；张，X。；郑洁。；赵，Q.利用MODIS多时相数据估算中国松嫩平原西部草地地上生物量。J.应用。远程传感器。 2013,7, 073546. [谷歌学者] [交叉参考]
  85. 李，F。；郑洁。；Wang，H。；罗，J。；Zhao，Y。；Zhao，R.利用遥感绘制内蒙古锡林郭勒草原地区的放牧强度。遥感快报。 2016,7, 328–337. [谷歌学者] [交叉参考]
  86. Quan，X。；他，B。；叶布拉，M。；尹，C。；廖，Z。；张，X。；Li，X.草地地上生物量估算的基于辐射传递模型的方法。国际期刊申请。地球观测地理信息。 2017,54, 159–168. [谷歌学者] [交叉参考]
  87. 谢毅。；沙，Z。；Yu，M。；Bai，Y。；Zhang，L.两种模型与Landsat数据的比较，用于估算中国内蒙古地面草地生物量。经济。模型。 2009,220, 1810–1818. [谷歌学者] [交叉参考]
  88. Yang，S。；冯（Q.Feng）。；Liang，T。；刘，B。；张伟。；谢，H。基于人工神经网络和遥感的三江源区草地地上生物量建模。遥感环境。 2018,204, 448–455. [谷歌学者] [交叉参考]
  89. R.C.马塞特。；齐，J。；海尔曼，P。；比登本德，S.H。；M.C.沃森。；Amer，S。；韦尔茨，M。；古德里奇博士。；Marsett，R.干旱西南部草地管理的遥感。兰格尔。经济。管理。 2006,59, 530–540. [谷歌学者] [交叉参考]
  90. 威勒日哥伦比亚特区。；贾蒙，J.A。；塞耶，D。；Hildebrand，D.V.干混草地产量的年际变化：MODIS、SPOT和现场测量的比较。远程传感器。 2016,8, 872. [谷歌学者] [交叉参考] [绿色版本]
  91. Jacquemoud，S。；韦霍夫。；巴雷特，F。；巴库，C。；Zarco-Tejada，P.J。；Asner，G.P。；弗朗索瓦，C。；Ustin，S.L.PROSPECT+SAIL模型：植被特征使用综述。遥感环境。 2009,113，第56页至第66页。[谷歌学者] [交叉参考]
  92. D.贝拉。；Faivre，R。；Ruget，F。；Seguin，B。；Guerif，M。；Combal，B。；韦斯，M。；Rebella，C.遥感能力评估法国的牧场产量。《国际遥感杂志》。 2004,25, 5359–5372. [谷歌学者] [交叉参考]
  93. 唐纳德·G。；格拉迪，S。；Edirisinghe，A。；Gittins，S。；亨利·D·。；Mata，G.使用MODIS图像、气候和土壤数据估算西澳大利亚州西南部农场的牧场增长率。阿尼姆。产品科学。 2010,50, 611–615. [谷歌学者] [交叉参考]
  94. 希尔，M.J。；Donald，G.E。；Hyder，M.W。；Smith，R.C.根据AVHRR NDVI和气候数据对西澳大利亚西南部牧场生长率的估计。遥感环境。 2004,93, 528–545. [谷歌学者] [交叉参考]
  95. Monteith，J.热带生态系统中的太阳辐射和生产力。J.应用。Ecol公司。 1972,9, 747–766. [谷歌学者] [交叉参考] [绿色版本]
  96. Monteith，J.L.《英国气候与作物生产效率》。菲洛斯。事务处理。R.Soc.伦敦。生物科学B。 1977,281, 277–294. [谷歌学者]
  97. Sun，B。；李，Z。；高，Z。；郭，Z。；王，B。；胡，X。；基于锡林郭勒盟长时间序列遥感数据的Bai，L.草地退化与恢复监测及驱动力分析。《经济学报》。罪。 2017,37, 219–228. [谷歌学者] [交叉参考]
  98. Zhang，Y。；齐，W。；周，C。；丁，M。；刘，L。；高杰。；Bai，W。；王，Z。；Zheng，D.1982年以来青藏高原高山草原净初级生产力的时空变化。J.地理。科学。 2014,24, 269–287. [谷歌学者] [交叉参考]
  99. 波特，C.S。；Randerson，J.T。；现场，C.B。；马特森，P.A。；维图塞克，P.M。；H.A.穆尼。；Klooster，S.A.陆地生态系统生产：基于全球卫星和地表数据的过程模型。手套。生物地球化学。循环 1993,7, 811–841. [谷歌学者] [交叉参考]
  100. Yu，R。；埃文斯，A.J。；Malleson，N.使用基于MODIS叶面积指数的新生长函数量化放牧模式。遥感环境。 2018,209, 181–194. [谷歌学者] [交叉参考] [绿色版本]
  101. Xiao，X。；张，Q。；布拉斯韦尔，B。；Urbanski，S。；Boles，S。；Wofsy，S。；摩尔三世，B。；Ojima，D.利用卫星图像和气候数据模拟温带落叶阔叶林的初级生产总量。遥感环境。 2004,91, 256–270. [谷歌学者] [交叉参考]
  102. 你，Y。；王，S。；马云（Ma，Y.）。；王，X。；Liu，W.使用Biome-BGC模型改进了青藏高原高寒草地初级生产力的建模。远程传感器。 2019,11, 1287. [谷歌学者] [交叉参考] [绿色版本]
  103. 马塞利，F。；Argenti，G。；Chiesi，M。；Angeli，L。；Papale，D.通过地面和卫星数据组合模拟草地生产力。农业。生态系统。环境。 2013,165, 163–172. [谷歌学者] [交叉参考] [绿色版本]
  104. Wang，J。；李，A。；卞，J.利用DNDC模型结合时间序列遥感数据模拟放牧对草地地上净初级生产力的影响——以中国若尔盖高原为例。远程传感器。 2016,8, 168. [谷歌学者] [交叉参考] [绿色版本]
  105. 范，J.-W。；邵，Q.-Q。；Liu，J.-Y。；Wang，J.-B。；哈里斯·W。；陈，Z.-Q。；钟海平。；徐，X.-L。；Liu，R.-G.中国青藏高原三江源地区气候变化和放牧活动对草地产量影响的评估。环境。莫尼特。评估。 2010,170, 571–584. [谷歌学者] [交叉参考]
  106. 贾伟。；刘，M。；王，D。；He，H。；Shi，P。；李毅。；Wang，Y.利用卫星模型模拟中国北方草原区域初级生产力总量的不确定性。经济。印度。 2018,88, 134–143. [谷歌学者] [交叉参考]
  107. Tan，K。；Ciais，P。；Piao，S。；吴，X。；Tang，Y。；北卡罗来纳州威查德。；Liang，S。；Fang，J.ORCHIDEE全球植被模型在评估青海-西藏草原生物量和土壤碳储量中的应用。手套。生物地球化学。循环 2010,24. [谷歌学者] [交叉参考]
  108. He，H。；刘，M。；Xiao，X。；任，X。；张，L。；太阳，X。；Yang，Y。；李毅。；赵，L。；Shi，P。；等。西藏高山草原初级生产总值的大尺度估计和不确定性分析。《地球物理学杂志》。生物地理研究。 2014,119, 466–486. [谷歌学者] [交叉参考] [绿色版本]
  109. 罗西尼，M。；科利亚蒂，S。；梅罗尼，M。；米利亚瓦卡，M。；Galvagno，M。；Busetto，L。；克雷莫内斯，E。；Julitta，T。；Siniscalco，C。；Morra di Cella，美国。；等。基于遥感的亚高山草原初级生产总值估算。生物地球科学 2012,9, 2565–2584. [谷歌学者] [交叉参考] [绿色版本]
  110. 王，Z。；萧，X。；Yan，X.模拟中国东北部玉米农田和退化草地的初级生产总值。农业。对于。美托洛尔。 2010,150, 1160–1167. [谷歌学者] [交叉参考]
  111. W.X.吴。；王胜强。；Xio，X.M。；Yu，G.R。；Fu，Y.L。；Hao，Y.B.使用MODIS图像和气候数据对中国内蒙古温带草原生态系统的初级生产总值进行建模。科学。中国Ser。D地球科学。 2008,51, 1501–1512. [谷歌学者] [交叉参考]
  112. 周，Y。；Xiao，X。；瓦格尔，P。；Bajgain，R。；Mahan，H。；巴萨拉，J.B。；Dong，J。；秦，Y。；张，G。；罗，Y。；等。研究了不同管理措施对旧大陆蓝茎牧草植物物候和碳通量的短期影响。农业。对于。美托洛尔。 2017,237, 60–70. [谷歌学者] [交叉参考] [绿色版本]
  113. 高，T。；徐，B。；杨，X。；邓，S。；刘，Y。；Jin，Y。；马，H。；李，J。；Yu，H。；郑，X。；等。欧亚温带草原沿气候相关梯度植被的地上净初级生产力：时空格局及其与气候因素的关系。环境。地球科学。 2017,76, 56. [谷歌学者] [交叉参考]
  114. 贾，X。；谢，B。；邵，M。；Zhao，C.中国黄土高原温带草原的初级生产力和降水利用效率。公共科学图书馆 2015,10，e0135490。[谷歌学者] [交叉参考] [绿色版本]
  115. 李，Z。；哈夫曼，T。；McConkey，B。；Townley-Smith，L.使用MODIS NDVI时间序列以及气候和库存数据，对草地动态的时空模式进行监测和建模。遥感环境。 2013,138, 232–244. [谷歌学者] [交叉参考]
  116. 赵，F。；徐，B。；杨，X。；夏，L。；Jin，Y。；李，J。；张伟。；郭杰。；Shen，G.中国北方温带草原净初级生产力及其对气候因子的响应机制的建模与分析。《国际遥感杂志》。 2019,40, 2259–2277. [谷歌学者] [交叉参考]
  117. 医学博士Petrie。；布伦塞尔，N.A。；瓦尔加斯，R。；柯林斯，S。；弗拉纳根，L.B。；北卡罗来纳州哈南。；利特瓦克，M.E。；苏伊克，A.E.大平原草原碳交换对降水变化的敏感性。《地球物理学杂志》。生物地球化学研究。 2016,121, 280–294. [谷歌学者] [交叉参考] [绿色版本]
  118. 毛，D。；王，Z。；李，L。；Ma，W.中国北方草地地上净初级生产力时空动态及其与气候格局和变化的关系。经济。印度。 2014,41, 40–48. [谷歌学者] [交叉参考]
  119. 熊，Q。；Xiao，Y。；Halmy，M.W.A。；Dakhil，文学硕士。；梁，P。；刘，C。；张，L。；潘迪，B。；潘，K。；El Kafraway，S.B.公司。；et al.2000-2015年中国青藏高原东北部气候变化和人类活动对草原植被动态的影响监测。J.干旱地区 2019,11, 637–651. [谷歌学者] [交叉参考] [绿色版本]
  120. 王，R。；贾蒙，J.A。；埃默顿，C.A。；斯普林格，K.R。；Yu，R。；Hmimina，G.使用MODIS MAIAC数据检测北美草地总初级生产力的年内和年间变化。农业。对于。美托洛尔。 2020,281, 107859. [谷歌学者] [交叉参考]
  121. 弗拉纳根，L.B。；Adkinson，A.C.对大平原北部草原生产力的交互控制以及对ENSO事件响应的影响。手套。青稞酒。生物。 2011,17, 3293–3311. [谷歌学者] [交叉参考]
  122. 李，F。；Chen，J.Q。；曾勇。；吴，B.F。；Zhang，X.Q.更新了显示干旱影响的草地地上生物量估算。《地球物理学杂志》。生物地球化学研究。 2018,123, 138–148. [谷歌学者] [交叉参考] [绿色版本]
  123. 吴，X。；李，P。；江，C。；刘，P。；He，J。；Hou，X.内蒙古典型草原过去31年的气候变化及其对草地植被生产力变化的贡献。兰格尔。J。 2014,36, 519–526. [谷歌学者] [交叉参考]
  124. Dusseux，P。；龚，X。；科佩蒂，T。；Hubert-Moy，L。；Corgne，S.雷达图像对草地管理识别的贡献。《农业、生态系统和水文遥感学报》第十四期，英国爱丁堡，2012年10月23日；第8531卷，第24-30页。[谷歌学者]
  125. Dusseux，P。；科佩蒂，T。；Hubert-Moy，L.使用高空间分辨率卫星图像的时间序列识别草地管理的时间核。2013年IEEE国际地球科学和遥感研讨会论文集-IGRSS，澳大利亚墨尔本，2013年7月21日至26日；第3258–3260页。[谷歌学者]
  126. 价格，K.P。；郭，X。；Stiles，J.M.用于区分堪萨斯州东部草原类型和处理的Landsat TM和ERS-2 SAR数据的比较。计算。电子。农业。 2002,37, 157–171. [谷歌学者] [交叉参考]
  127. 阿萨姆，S。；克莱因，D。；Dech，S.基于高空间分辨率LAI时间序列的草地利用强度估算。ISPRS国际架构。照片。远程传感器垃圾邮件。信息科学。 2015,XL-7/W3型, 285–291. [谷歌学者] [交叉参考] [绿色版本]
  128. Franke，J。；Keuck，V。；Siegert，F.通过遥感评估草地利用强度以支持保护计划。《自然保护杂志》。 2012,20, 125–134. [谷歌学者] [交叉参考]
  129. Kurtz，D.B。；谢尔伯格，J。；Braun，M.阿根廷亚热带牧场管理的地面和卫星评估。申请。地理。 2010,30, 210–220. [谷歌学者] [交叉参考]
  130. Halabuk，A。；莫伊斯，M。；哈拉布克，M。；David，S.使用NDVI和EVI时间序列检测干草草地的砍伐。远程传感器。 2015,7, 6107–6132. [谷歌学者] [交叉参考] [绿色版本]
  131. Siegmund，R。；格兰特，K。；瓦格纳，M。；Hartmann，S.《基于卫星的草原监测：使用SAR评估收获日期和频率》。《农业、生态系统和水文遥感学报》第十八期，《SPIE学报》，英国爱丁堡，2016年10月26日；第9998卷。[谷歌学者]
  132. 塔拉瓦特，A。；医学博士瓦格纳。；Oppelt，N.时空哨兵-1图像分析和人工神经网络背景下的草地切割状态自动检测。远程传感器。 2019,11, 711. [谷歌学者] [交叉参考] [绿色版本]
  133. 巴雷特，B。；尼采，I。；格林，S。；Cawkwell，F.使用机器学习方法评估爱尔兰草原监测的多时相、多传感器雷达和辅助空间数据。遥感环境。 2014,152, 109–124. [谷歌学者] [交叉参考] [绿色版本]
  134. Dusseux，P。；休伯特·莫伊，L。；Lecerf，R。；龚，X。；Corpetti，T.使用高空间分辨率遥感图像的时间序列识别放牧和割草草地。2011年7月12日至14日在意大利特伦托举行的第六届多时相遥感图像分析国际研讨会论文集；第145-148页。[谷歌学者]
  135. Siegmund，R。；Redl，S。；瓦格纳，M。；Hartmann，S.基于Sentinel-1的草地监测。2019年10月21日，法国斯特拉斯堡，第二十一届农业、生态系统和水文遥感会议记录；第11149卷，第1-19页。[谷歌学者]
  136. Dusseux，P。；科佩蒂，T。；休伯特·莫伊，L。；Corgne，S.将多时相光学和雷达卫星图像用于草地监测。远程传感器。 2014,6, 6163–6182. [谷歌学者] [交叉参考] [绿色版本]
  137. Lopes，M。；福维尔，M。；Girard，S。；Sheeren，D.使用高斯平均映射核从高分辨率卫星图像时间序列对草地进行基于对象的分类。远程传感器。 2017,9, 688. [谷歌学者] [交叉参考] [绿色版本]
  138. 舒斯特，C。；施密特，T。；康拉德，C。；Kleinschmit，B。；Foerster，M.通过年际时间序列分析绘制草原栖息地——RapidEye和TerraSAR-X卫星数据的比较。国际期刊申请。地球观测地理信息。 2015,34, 25–34. [谷歌学者] [交叉参考]
  139. 医学博士Bekkema。；Eleveld，M.使用Sentinel-2卫星数据绘制草地管理强度图。GI_ 2018论坛 2018,1, 194–213. [谷歌学者] [交叉参考]
  140. 舒斯特，C。；阿里，I。；Lohmann，P.等人。；弗里克·A。；Foerster，M。；Kleinschmit，B.在TerraSAR-X时间序列中检测斯瓦特事件，以建立NATURA 2000草原生境斯瓦特管理作为监测参数。远程传感器。 2011,三, 1308–1322. [谷歌学者] [交叉参考] [绿色版本]
  141. 郭，X。；价格，K.P。；Stiles，J.Grasslands使用Landsat TM单一和多时相数据进行判别分析。照片。工程远程传感器。 2003,69, 1255–1262. [谷歌学者] [交叉参考]
  142. 郭，X。；Wilmshurst，J。；McCanny，S。；法基，P。；Richard，P.使用遥感技术测量草原的空间和垂直异质性。J.环境。通知。 2004,三, 24–32. [谷歌学者] [交叉参考] [绿色版本]
  143. 朝觐医学博士。；北巴格达迪。；贝劳，G。；Zribi，M。；Cheviron，B。；库罗，D。；O.哈格尔。；Charron，F.使用TerraSAR-X和COSMO-SkyMed X波段SAR数据的时间序列监测灌溉草地。远程传感器。 2014,6, 10002–10032. [谷歌学者] [交叉参考] [绿色版本]
  144. 约翰·R。；陈，J。；詹尼科，V。；帕克，H。；肖，J。；Shirkey，G。；欧阳，Z。；邵，C。；拉弗泰扎，R。；齐，J.蒙古和内蒙古草原冠层覆盖和地上生物量：时空估算和控制因素。遥感环境。 2018,213, 34–48. [谷歌学者] [交叉参考]
  145. 刘，Y。；查，Y。；高杰。；Ni，S.使用Landsat TM和原位反射光谱数据评估中国西部青海湖附近的草地退化。《国际遥感杂志》。 2004,25, 4177–4189. [谷歌学者] [交叉参考]
  146. 努马塔，I。；罗伯茨，地方检察官。；查德威克，O.A。；Schimel，J。；桑帕约，F.R。；F.C.列奥尼达斯。；Soares，J.V.利用遥感数据描述牧场生物物理特性和放牧强度的影响。遥感环境。 2007,109, 314–327. [谷歌学者] [交叉参考]
  147. 罗德，A。；乌德霍芬，T。；希尔，J。；del Barrio，G。；Tsiourlis，G.对Landsat-TM和-ETM+图像进行趋势分析，以监测希腊北部牧场生态系统中的放牧影响。遥感环境。 2008,112, 2863–2875. [谷歌学者] [交叉参考]
  148. 怀利，B。；梅耶，D。；Tieszen，L。；Mannel，S.北美草原生物群落尺度上地表生物物理参数的卫星制图：一项案例研究。遥感环境。 2002,79, 266–278. [谷歌学者] [交叉参考]
  149. 托德，S.W。；R.M.霍弗。；Milchunas，D.G.使用光谱指数估算放牧和未放牧牧场的生物量。《国际遥感杂志》。 1998,19, 427–438. [谷歌学者] [交叉参考]
  150. L.J.布兰科。；费兰多，C.A。；Biurrun，F.N.遥感两个放牧系统的时空植被模式。兰格尔。经济。管理。 2009,62, 445–451. [谷歌学者] [交叉参考]
  151. 格兰特，K。；瓦格纳，M。；Siegmund，R。；Hartmann，S.使用雷达图像检测何时收获草，从而改进草地产量估计。《欧洲草地科学学报》，草地科学联合会，荷兰瓦赫宁根，2015年6月14日至17日；第20卷，第419-421页。[谷歌学者]
  152. 罗西，M。；Niedrist，G。；阿萨姆，S。；托农，G。；Tomelleri，E。；Zebisch，M.用于监测高山草原动态的各种光学传感器信号的比较。远程传感器。 2019,11, 296. [谷歌学者] [交叉参考] [绿色版本]
  153. 斯坦尔迪，L。；卡尔森股份有限公司。；Niedrist，G。；Gerdol，R。；Zebisch，M。；罗西，M。；Notarnicola，C.利用Sentinel-1和Sentinel-2图像的时间序列检测山区草甸物候。远程传感器。 2019,11, 542. [谷歌学者] [交叉参考] [绿色版本]
  154. 塔姆·T。；Zalite，K。；Voormansik，K。；Talgre，L.将Sentinel-1干涉相干性与草原上的割草事件联系起来。远程传感器。 2016,8, 802. [谷歌学者] [交叉参考] [绿色版本]
  155. Voormansik，K。；Jagdhuber，T。；奥列斯克，A。；Hajnsek，I。；Papathanassiou，K.P.。利用双极化TerraSAR-X数据检测草原砍伐行为。《国际遥感杂志》。 2013,34, 8081–8103. [谷歌学者] [交叉参考]
  156. Voormansik，K。；Jagdhuber，T。；Zalite，K。；努尔马，M。；Hajnsek，I.使用极化SAR对农业草地上的伐木做法进行观察。IEEE J.选择。顶部。申请。地球目标遥感。 2015,9, 1382–1396. [谷歌学者] [交叉参考]
  157. Zalite，K。；Voormansik，K。；Praks，J。；Antropov，O。；Noorma，M.从COSMO-SkyMed的多时相数据中检测农业草地的割草情况。2014年IEEE地球科学和遥感研讨会论文集，加拿大魁北克省魁北克市，2014年7月13日至18日；第5076-5079页。[谷歌学者]
  158. Zalite，K。；Antropov，O。；Praks，J。；Voormansik，K。；Noorma，M.利用X波段重复通过干涉SAR的时间序列监测农业草原。IEEE J.选择。顶部。申请。地球目标遥感。 2015,9, 3687–3697. [谷歌学者] [交叉参考]
  159. 桑基，T.T。；桑基，J.B。；K.T.韦伯。；Montagne，C.蒙古草原放牧制度变化和社会政治变化的地理空间评估。兰格尔。经济。管理。 2009,62, 522–530. [谷歌学者] [交叉参考]
  160. 库罗，D。；哈德里亚，R。；Ruget，F。；Olioso，A。；杜奇明，B。；O.哈格尔。；Dedieu，G.将FORMOSAT-2图像与作物模型相结合，用于地中海地区永久草地的生物量和水分监测。水文学。地球系统。科学。讨论。 2010,14, 1731–1744. [谷歌学者] [交叉参考] [绿色版本]
  161. 埃斯特尔，S。；Mader，S。；Levers，C。；Verburg，P.H。；Baumann，M。；Kuemmerle，T.结合卫星数据和农业统计数据绘制欧洲草地管理强度图。环境。Res.Lett公司。 2018,13, 074020. [谷歌学者] [交叉参考]
  162. 格里菲斯，P。；Nendel，C。；Pickert，J。；Hostert，P.从综合Sentinel-2和Landsat时间序列看草原利用强度的国家尺度特征。遥感环境。 2020,238, 111124. [谷歌学者] [交叉参考]
  163. 北卡罗来纳州科莱卡。；Ginzler，C。；帕祖尔，R。；价格，B。；Verburg，P.H.利用Sentinel-2时间序列绘制草原割草频率的区域尺度图。远程传感器。 2018,10, 1221. [谷歌学者] [交叉参考] [绿色版本]
  164. Dusseux，P。；Vertès，F。；科佩蒂，T。；科涅，S。；Hubert-Moy，L.通过空间遥感检测草原上的农业实践。环境。莫尼特。评估。 2014,186, 8249–8265. [谷歌学者] [交叉参考] [公共医学]
  165. 价格，K.P。；郭，X。；Stiles，J.M.最佳陆地卫星TM波段组合和植被指数，用于区分堪萨斯州东部的六种草地类型。《国际遥感杂志》。 2002,23, 5031–5042. [谷歌学者] [交叉参考]
  166. Xu，H。；王，X。；张欣。2000-2012年青藏高原高山草原对气候因素和人类活动的响应。经济。工程师。 2016,92, 251–259. [谷歌学者] [交叉参考]
  167. 徐，D。；陈，B。；Yan，R。；Yan，Y。；太阳，X。；徐，L。；Xin，X.基于遥感数据的温带草甸草原放牧强度定量监测。《国际遥感杂志》。 2019,40, 2227–2242. [谷歌学者] [交叉参考]
  168. Long，Y。；李，Z。；Wei，L。；Hua Kun，Z.利用遥感和GIS技术估算中国果洛州高山草原的草产量和牲畜承载力。Pedosphere公司 2010,20, 342–351. [谷歌学者]
  169. 马奇。；Chai，L。；Hou，F。；Chang，S。；马云（Ma，Y.）。；Tsunekawa，A。；Cheng，Y.利用遥感技术量化青藏高原高寒草甸的放牧强度。持续性 2019,11, 417. [谷歌学者] [交叉参考] [绿色版本]
  170. 戈梅兹·吉梅内斯，M。；德容，R。；R.D.佩鲁塔。；凯勒，A。；Schaepman，M.E.根据多时相遥感数据和生态指标确定草地利用强度。遥感环境。 2017,198, 126–139. [谷歌学者] [交叉参考]
  171. Paudel，K.P。；Andersen，P.使用多时相卫星图像和放牧压力面模型评估尼泊尔跨喜马拉雅上马斯塔的牧场退化。遥感环境。 2010,114, 1845–1855. [谷歌学者] [交叉参考]
  172. 格兰特，K。；Siegmund，R。；瓦格纳，M。；Hartmann，S.基于卫星的草原产量评估。国际建筑。照片。远程传感器垃圾邮件。信息科学。 2015,40, 15. [谷歌学者] [交叉参考] [绿色版本]
  173. Stumpf，F。；施耐德，M.K。；凯勒，A。；Mayr，A。；Rentschler，T。；Meuli，R.G。；Schaepman，M。；Liebisch，F.使用多时相卫星图像对草地管理进行空间监测。经济。印度。 2020,113, 106201. [谷歌学者] [交叉参考]
  174. 布莱尔，J。；Nippert，J。；Briggs，J.草原生态学。在生态与环境; 施普林格：美国纽约州纽约市，2014年；第389-423页。[谷歌学者]
  175. 辛哈，S。；杰加纳坦，C。；Sharma，L。；Nathawat，M.生物量估算雷达遥感综述。国际环境杂志。科学。Technol公司。 2015,12, 1779–1792. [谷歌学者] [交叉参考] [绿色版本]
  176. 怀斯曼，G。；麦克奈恩，H。；Homayouni，S。；Shang，J.RADARSAT-2对农作物生物量的极化SAR响应，用于农业生产监测。IEEE J.选择。顶部。申请。地球目标遥感。 2014,7, 4461–4471. [谷歌学者] [交叉参考]
  177. Berger，K。；阿茨伯格，C。；丹纳，M。；D’Urso，G。；Mauser，W。；Wuolo，F。；Hank，T.《未来高光谱模型环境中PROSAIL模型能力的评估：回顾性研究》。远程传感器。 2018,10, 85. [谷歌学者] [交叉参考] [绿色版本]
  178. Psomas，A。；Kneubühler，M。；Huber，S。；伊滕，K。；Zimmermann，N.高光谱遥感，用于估算地上生物量和探索草原栖息地的物种丰富度模式。《国际遥感杂志》。 2011,32, 9007–9031. [谷歌学者] [交叉参考]
  179. 帕切科-拉布拉多，J。；El-Madany，T.S。；马丁，医学博士。；Gonzalez-Cascon，R。；卡拉拉，A。；莫雷诺，G。；Perez-Priego，O。；锤子，T。；穆森，H。；汉克尔，K。；等。结合高光谱遥感和涡动协方差数据流来估计植被功能特征。生物地理。讨论。 2020.预打印[谷歌学者] [交叉参考] [绿色版本]
  180. 阿茨伯格，C。；Darvishzadeh，R。；施勒夫，M。；Le Maire，G.高光谱草地研究中PROSAIL辐射传输模型的适用性和适应性。遥感快报。 2013,4, 55–64. [谷歌学者] [交叉参考]
  181. 阿茨伯格，C。；Darvishzadeh，R。；Immitzer，M。；施勒夫，M。；Skidmore，A。；Le Maire，G.使用航空成像光谱学绘制草原叶面积指数的不同检索方法的比较分析。国际期刊申请。地球观测地理信息。 2015,43, 19–31. [谷歌学者] [交叉参考] [绿色版本]
  182. Darvishzadeh，R。；阿茨伯格，C。；Skidmore，A。；Schlerf，M.用航空高光谱图像绘制草原叶面积指数：统计方法和辐射传输模型反演的比较研究。ISPRS J.摄影。远程传感器。 2011,66, 894–906. [谷歌学者] [交叉参考]
  183. 运行，S.W。；R.R.内马尼。；F.A.海因施。；赵，M。；里夫斯，M。；Hashimoto，H.全球陆地初级生产的连续卫星衍生测量。生物科学 2004,54, 547–560. [谷歌学者] [交叉参考]
  184. 加夫尼，R。；普伦斯基，L.M。；高，F。；伊里萨里，J.G。；杜兰特，M。；德纳，J.D。；Augustine，D.J.使用APAR预测半干旱草原的地上植物生产力：空间和时间关系不同。远程传感器。 2018,10, 1474. [谷歌学者] [交叉参考] [绿色版本]
  185. 牛，B。；何毅。；张，X。；Fu，G。；Shi，P。；杜，M。；Zhang，Y。；Zong，N.青藏高原高山沼泽草甸MODIS初级生产力总量的塔式验证和改进。远程传感器。 2016,8, 592. [谷歌学者] [交叉参考] [绿色版本]
  186. 朱，X。；裴，Y。；郑，Z。；Dong，J。；Zhang，Y。；Wang，J。；Chen，L。；Doughty，R.B。；张，G。；Xiao，X.在MODIS标准产品中低估了草地初级生产总值。远程传感器。 2018,10, 1771. [谷歌学者] [交叉参考] [绿色版本]
  187. 朱，X。；李，C。；Tang，L.评估2003年至2017年荒漠草原NPP的时空动态及其对气候变化的响应：以四子王旗为例。2019年10月21日，法国斯特拉斯堡，第二十一届农业、生态系统和水文遥感会议记录；第11149卷，第449-454页。[谷歌学者]
  188. Lei，T。；吴杰。；李，X。；耿，G。；邵，C。；周，H。；王，Q。；Liu，L.评估干旱对草地净初级生产力影响的新框架。科学。总环境。 2015,536, 161–172. [谷歌学者] [交叉参考] [公共医学]
  189. Reinermann，S。；盖斯纳，美国。；阿萨姆，S。；库恩泽，C。；Dech，S.《干旱对德国植被状况的影响：基于20年卫星对地观测时间序列和作物产量统计的分析》。远程传感器。 2019,11, 1783. [谷歌学者] [交叉参考] [绿色版本]
  190. Demombynes，G。；基林盖，J。非洲之角的干旱和粮食危机：对肯尼亚的影响和拟议的政策对策; 世界银行：美国华盛顿特区，2011年。[谷歌学者]
  191. 沃格尔，A。；Scherer-Lorenzen，M。；Weigelt，A.草原抗旱性和抗旱性取决于管理强度和物种丰富度。公共科学图书馆 2012,7第36992页。[谷歌学者] [交叉参考]
  192. Na，Y。；李，J。；Hoshino，B。；Bao，S。；秦，F。；Myagmartseren，P.不同放牧制度对典型中国和蒙古草原地上生物量和植物物种优势的影响。持续性 2018,10, 4753. [谷歌学者] [交叉参考] [绿色版本]
  193. 施密特，M。；Carter，J。；斯通，G。；O Reagain，P.光学和X波段雷达数据的集成，用于开阔萨凡纳林地的牧场生物量估计。远程传感器。 2016,8, 989. [谷歌学者] [交叉参考] [绿色版本]
  194. Bégué，A。；Arvor，D。；贝隆，B。；Betbeder，J。；De Abelleyra，D。；PD Ferraz，R。；勒资产阶级，V。；Lelong，C。；西蒙斯，M。；R Verón，S.遥感与耕作实践：综述。远程传感器。 2018,10, 99. [谷歌学者] [交叉参考] [绿色版本]
  195. 奥兹多安，M。；Yang，Y。；Allez，G。；Cervantes，C.灌溉农业遥感：机遇与挑战。远程传感器。 2010,2, 2274–2304. [谷歌学者] [交叉参考] [绿色版本]
  196. Kawamura，K。；秋山，T。；横田，H。；津美，M。；Yasuda，T.等人。；O.渡边。；Wang，S.利用地理信息系统和卫星遥感量化中国内蒙古锡林郭勒草原地区的放牧强度。阿格里库。生态系统。环境。 2005,107, 83–93. [谷歌学者] [交叉参考]
  197. 杨，X。；郭，X。；Fitzsimmons，M.使用卫星图像评估轻度至中度放牧对草地生产的影响。《国际遥感杂志》。 2012,33, 5087–5104. [谷歌学者] [交叉参考]
  198. P.K.桑顿。；van de Steeg，J。；Notenbart，A。；Herrero，M.气候变化对发展中国家牲畜和牲畜系统的影响：回顾我们所知道的和我们需要知道的。农业。系统。 2009,101, 113–127. [谷歌学者] [交叉参考]
  199. Reinfelds，I.从陆地卫星图像中监测和评估牧场灌溉的地表水提取：澳大利亚新南威尔士州Bega–Bemboka河。水资源。管理。 2011,25, 2319–2334. [谷歌学者] [交叉参考]
  200. 西里亚，C。；帕尼加达，C。；罗西尼，M。；梅罗尼，M。；Busetto，L。；阿马杜奇，S。；博切蒂，M。；皮奇，V。；Colombo，R.通过高光谱图像对玉米变量施肥的氮素状况进行评估。远程传感器。 2014,6, 6549–6565. [谷歌学者] [交叉参考] [绿色版本]
  201. 夏，T。；苗，Y。；Wu，D。；邵，H。；Khosla，R。；Mi，G.春玉米的主动光学传感，用于基于氮营养指数的氮状况季节诊断。远程传感器。 2016,8, 605. [谷歌学者] [交叉参考] [绿色版本]
远程调校12 01949 g001 550
图1。牧场的全球分布（来源：NASA社会经济数据和应用中心（SEDAC）牧场地图[22]). 显示草原所在气象站年平均温度和降雨量的六幅气候图（来源：NOAA[23]; 所有图表的平均值计算所依据的参考期约为20世纪60年代至21世纪初之间的30年）。这些是气候图的例证，表明了草原生物群落所需的高度多样性，但并非详尽无遗。来自与电台相同区域的图像（来源：Flickr(网址：www.flickr.com); 中的更多详细信息补充表S1).
图1。牧场的全球分布（来源：NASA社会经济数据和应用中心（SEDAC）牧场地图[22]). 六张气候图显示了草原所在地气象站的年平均温度和降水量（来源：NOAA[23]; 所有图表的平均值计算所依据的参考期约为20世纪60年代至21世纪初之间的30年）。这些是气候图的例证，表明了草原生物群落所需的高度多样性，但并非详尽无遗。来自与电台相同区域的图像（来源：Flickr(网址：www.flickr.com); 更多详细信息请参见补充表S1).
远程调校12 01949 g001
远程定位12 01949 g002 550
图2。管理草原生态系统中主要驱动因素和过程的卫星遥感（光学和SAR）概述。
图2。管理草原生态系统中主要驱动因素和过程的卫星遥感（光学和SAR）概述。
远程定位12 01949 g002
远程定位12 01949 g003 550
图3。年度回顾研究的数量，包括三个主要主题的比例。未进行任何研究的年份未显示*仅包括2020年4月底之前发表的研究。
图3。审查研究的年度统计，包括三个主要主题的比例。未进行任何研究的年份未显示*仅包括2020年4月底之前发表的研究。
远程定位12 01949 g003
远程定位12 01949 g004 550
图4。每个国家的研究数量和每个大陆研究主题的百分比。
图4。每个国家的研究数量和每个大陆研究主题的百分比。
远程定位12 01949 g004
远程定位12 01949 g005 550
图5。调查研究期(x个-轴）用于每个出版物(年-轴，非离散）。多年度研究用线条表示，一年内进行的研究用特定符号表示。颜色代表不同的研究主题。右边的日期年-轴显示了研究的发表年份。
图5。调查研究期(x个-轴）用于每个出版物(年-轴，而不是离散的）。多年度研究用线条表示，一年内进行的研究用特定符号表示。颜色代表不同的研究主题。右边的日期年-轴线显示了研究的出版年份。
远程定位12 01949 g005
远程定位12 01949 g006 550
图6。使用光学或雷达传感器系统或两者兼而有之的研究计数，用于所有审查的研究和每个特定主题。对多个主题的研究进行了数次统计。
图6。使用光学或雷达传感器系统或两者兼而有之的研究计数，用于所有审查的研究和每个特定主题。对多个主题的研究进行了数次统计。
远程定位12 01949 g006
远程定位12 01949 g007 550
图7。所有审查研究中使用的传感器和传感器组数量。如果使用了一个以上的传感器，则对研究进行多次计数。
图7。所有审查研究中使用的传感器和传感器组数量。如果使用一个以上的传感器，则会数次进行研究。
远程定位12 01949 g007
远程定位12 01949 g008 550
图8。R的频率分布2-以遥感数据和野外数据为训练变量构建的生物量模型的值。
图8。R的频率分布2-以遥感数据和野外数据为训练变量构建的生物量模型的值。
远程定位12 01949 g008
远程定位12 01949 g009 550
图9。在所审查的研究中对其中一种管理类型进行调查的次数。
图9。在所审查的研究中对其中一种管理类型进行调查的次数。
远程定位12 01949 g009
远程定位12 01949 g010 550
图10。每个管理类型的研究范围。
图10。每个管理类型的研究范围。
远程定位12 01949 g010
远程定位12 01949 g011 550
图11。概述了利用遥感数据调查草地管理的研究方法，按两个主要研究目标划分，即“管理类型”和“使用强度”的检测
图11。概述了利用遥感数据调查草地管理的研究方法，按两个主要研究目标划分，即“管理类型”和“使用强度”的检测
遥感12 01949 g011
表
表1。用于系统文献综述的术语和搜索字符串的指示。
表1。用于系统文献综述的术语和搜索字符串的指示。
搜索方面同义词/搜索词
管理和使用强度收获、切割、割草、灌溉、施肥、放牧、管理、监测、“使用强度”、强度
生产特点生物量、产量、生产力、数量、产量
草原草地*、牧场*、草地*、草原*、牧场*
遥感“遥感”、“地球观测”、卫星*

分享和引用

MDPI和ACS样式

Reinermann，S。；阿萨姆，S。；库恩泽，C。草原生产与管理的遥感研究综述。远程传感器。 2020,12, 1949.https://doi.org/10.3390/rs12121949

AMA风格

Reinermann S、Asam S、Kuenzer C。草地生产与管理遥感综述。遥感. 2020; 12(12):1949.https://doi.org/10.3390/rs12121949

芝加哥/图拉比安风格

Reinermann、Sophie、Sarah Asam和Claudia Kuenzer。2020年“草地生产与管理遥感综述”遥感第12期：1949年。https://doi.org/10.3390/rs12121949

请注意，从2016年第一期开始，本期刊使用文章编号，而不是页码。请参阅更多详细信息在这里.

文章指标

返回页首顶部