文章信息
- 吴昌广, 周志翔, 肖文发, 王鹏程, 汪涛, 黄子杰
- Wu Changguang, Zhou Zhixiang, Xiao Wenfa, Wang Pengcheng, Wang Tao, Huang Zijie
- 基于MODIS NDVI的三峡库区植被覆盖度动态监测
- Dynamic Monitoring of Vegetation Coverage in Three Gorges Reservoir Area Based on MODIS NDVI
- 林业科学, 2012, 48(1): 22-28.
- Scientia Silvae Sinicae, 2012, 48(1): 22-28.
-
文章历史
- 收稿日期:2010-11-01
- 修回日期:2011-12-05
-
作者相关文章
2. 中国林业科学研究院亚热带林业研究所 富阳 311400;
3. 中国林业科学研究院森林生态环境与保护研究所 北京 100091
2. Research Institute of Subtropical Forestry, CAF Fuyang 311400;
3. Research Institute of Forest Ecology Environment and Protection, CAF Beijing 100091
植被作为陆地生态系统的重要组成部分,对全球能量平衡、生物化学循环以及水循环起着调控作用(孙红雨等,1998)。植被覆盖度是指植被叶、茎、枝垂直向下投影面积占区域总面积的比例或百分数(章文波等,2001; Gitelson et al., 2002)。植被覆盖度作为衡量地表植物覆盖状况的一个重要定量信息,不仅是评估土地退化、荒漠化程度的有效指数之一(赵彩霞等,2005),也是通用土壤流失方程、气候数值模型、水文生态模型中的重要控制因子(Qi et al.,2000;Wang et al., 2002)。因此,区域地表植被覆盖度的提取及变化分析,对揭示生态系统环境变化及植被恢复和重建布局等具有重要意义。
区域植被覆盖度有明显的时空分异特征,遥感技术作为一种综合性探测技术,能迅速有效地提供地表自然过程的宏观信息,已成为当前大尺度、甚至全球尺度植被覆盖度监测的主要手段,有助于揭示其动态变化规律,并预测其发展趋势(陈云浩等,2001)。目前,基于遥感信息估算植被覆盖度可归纳为经验模型法和植被指数转换法。经验模型法建立地面实测植被覆盖度与遥感信息间的线性回归或非线性回归模型,再将该模型推广到整个研究区,求取植被覆盖度。如Eastwood等(1997)基于样地调查数据,建立了盐沼地带植被覆盖度与不同植被指数间的线性关系; Gitelson等(2002)建立了小麦(Triticum)地植被覆盖度与可见光植被指数间的线性模型; 顾祝军等(2008)将地面植被覆盖度实测数据与Landsat ETM+的NDVI进行回归,建立了1~4次多项式关系模型。经验模型法依赖于大量实测数据,在小范围内模拟精度较高,但只适于特定区域或特定植被类型,不具普适性。植被指数转换法是在对光谱信号进行分析的基础上,直接建立植被指数与植被覆盖度的转换关系,模型经验证后可以推广到大范围地区,形成通用的植被覆盖度估算方法。像元二分模型是当前应用最为广泛的植被指数法,李苗苗等(2004)、刘广峰等(2007)、吴云等(2010)和唐志光等(2010)利用该模型分别对密云水库上游、毛乌素沙地、海河流域及三江源区的植被覆盖度进行了估算且精度较高。
三峡库区位于长江中上游结合部位,是长江流域经济发展由东向西推进的重点开发地带。自1989年国家实施“长治”工程以来,库区相继开展了“长江防护林工程”、“天然林保护”、“退耕还林(草)”等生态工程,森林面积明显增长、水土流失得到有效控制,生态环境进一步改善。但随着三峡工程兴建,在库区移民迁建、工矿企业搬迁等基础设施建设过程中,自然植被可能受到进一步的人为扰动,一部分林业用地也被征用侵占,土地利用结构及产业结构也相应发生了调整。本研究基于MODIS—NDVI时序数据,利用像元二分模型估算三峡库区2000—2009年的年最大植被覆盖度,分析库区植被覆盖度的时空变化特征,并探讨植被覆盖变化的主要驱动因子,以正确认识库区陆地生态系统的动态变化特征,为工农业生产布局提供决策依据。
1 研究区概况三峡库区东起湖北宜昌、西至重庆江津(105°50'—111°40' E,28° 31'—31° 44' N),包括重庆、湖北2地共20个行政区(图 1),总面积约5.8万km2。该区处于大巴山褶皱带、川东平行岭谷和川鄂湘黔隆起褶皱带三大构造单元的交汇处,地貌以山地、丘陵为主。库区内地形复杂、高差悬殊、山高坡陡、河谷深切。气候类型属中亚热带湿润季风气候,年降水量1 000~1 200 mm,年平均气温17 ~19 ℃。区内气候受峡谷地形影响十分显著,具有冬暖春早、夏热伏旱、秋雨多、湿度大以及云雾多等特征。库区土壤以紫色土、石灰土、黄壤、黄棕壤和水稻土为主。库区物种资源丰富,主要植被类型有常绿阔叶林、落叶阔叶混交林、落叶阔叶与常绿针叶混交林、针叶林和灌草丛等。
![]() |
图 1 三峡库区行政区划 Figure 1 Administrative map of the Three Gorges Reservoir Area |
采用美国NASA提供的MOD13Q1级产品NDVI共享数据(https://lpdaac.usgs.gov),时间范围为2000-01—2009-12,数据格式为EOS-HDF,空间分辨率和时间分辨率分别为500 m和16天,该数据集已经过辐射校正、云体掩膜、大气校正等处理。首先使用NASA提供的MRT(MODISReprojection Tools)软件进行格式和投影转换,把HDF格式转化为Tiff格式,把Sinusoidal投影转换为Albers Equal Area,最后以研究区边界图为掩膜裁剪出库区NDVI数据。由于年最大NDVI可以较好反映该年度植被长势最好季节地表的植被覆盖状况,因而本研究采用最大值合成法,将每年最大NDVI用于分析三峡库区2000—2009年植被覆盖度的年际变化。
其他辅助数据包括基于2007年TM影像解译的三峡库区土地利用图、中国科学院数据中心提供的1: 100万土壤类型分布图、美国马里兰大学提供的90 m分辨率的SRTM DEM数据。另外,气候资料来自中国气象局气象信息中心提供的三峡库区2000—2009年每月降水和气温数据,采用普通Kriging将温度、降水数据插值生成与NDVI数据具有同样投影和空间分辨率的栅格数据。
2.2 像元二分模型像元二分模型的原理:假设遥感传感器所观测到的每个像元的信息S可表达为由绿色植被部分所贡献的信息Sv与由裸土部分所贡献的信息Ss 2部分组成。将S线性分解为Sv与Ss 2部分:
![]() |
(1) |
假设像元中有植被覆盖的面积比例即该像元的植被覆盖度为fc,则裸土覆盖的面积比例为1-fc。如果全由植被所覆盖的纯像元所得的遥感信息为Sveg,则混合像元的植被部分所贡献的信息Sv可以表示为Sveg与fc的乘积:
![]() |
(2) |
同理,如果全由裸土所覆盖的纯像元所得遥感信息为Ssoil,混合像元的土壤成分所贡献的Ss可以表示为Ssoil与1-fc的乘积:
![]() |
(3) |
将式(2) 与(3) 代入公式(1),可得:
![]() |
(4) |
对式(4) 进行变换,可得植被覆盖度的计算公式:
![]() |
(5) |
式中: Ssoil与Sveg为模型参数。因此,只要知道上述2个参数,就可以根据公式(5) 利用遥感信息来估算植被覆盖度。
2.3 利用NDVI估算植被覆盖度根据像元二分模型,一个像元的NDVI值可以表达为由绿色植被部分所贡献的信息NDVIveg与由无植被覆盖(裸土)部分所贡献的信息NDVIsoil 2部分组成,同样满足式(4) 的条件,因此可以将NDVI代入式(5) 可得:
![]() |
(6) |
式中: NDVIsoil为裸土或无植被覆盖区域的NDVI值; NDVIveg为纯植被像元的NDVI值。
2.4 NDVIsoil与NDVIveg的取值对于大多数类型裸地表面,NDVIsoil理论上应该接近零; 但由于地表湿度、粗糙度、土壤类型、土壤颜色等因素影响,NDVIsoil会随着时间和空间发生变化,其变化范围一般为-0.1~0.2(Carlson et al., 1997; Rundquist,2002)。NDVIveg表示全植被覆盖像元最大值,由于植被类型差异及植被覆盖的季节变化,NDVIveg也具有很强的时空异质特征。因此,采用一个固定NDVIsoil值和NDVIveg值是不准确的,即使对于同一景影像也应有所变化(Kaufman et al., 1992)。因此,本次研究参考三峡库区土地利用图和土壤图确定各类型的NDVIveg和NDVIsoil值。
通常情况下,NDVIveg与NDVIsoil取给定置信度的置信区间内的最大值与最小值,这可以在一定程度上消除遥感图像噪声所带来的误差(李苗苗等,2004)。通过分析MODIS—NDVI数据,并结合库区植被覆盖的实际情况,根据频率统计表,选取土种单元内累积频率为0.5%的NDVI值为NDVIsoil,土地利用单元内累积频率为99.5%的NDVI值为NDVIveg。最后在ArcGIS9.2软件中运用式(6) 进行空间运算,得到三峡库区2000—2009年间的年最大植被覆盖度图。
2.5 植被覆盖度变化趋势2000—2009年间各像元植被覆盖度变化趋势利用变化斜率法进行分析(孙华等,2010),计算公式为:
![]() |
(7) |
式中: X为变化趋势斜率,n为监测年数,fci为第i年的植被覆盖度。斜率为正,表明植被覆盖度增加,反之则降低。趋势显著性检验采用F检验,根据各像元植被覆盖度变化趋势和显著性水平,将变化趋势分为3类:显著增加(X>0,α≤0.05)、显著降低(X<0,α≤0.05) 和变化不显著(α>0.05)。
3 结果与分析 3.1 植被覆盖度的空间分布特征为了能直观地反映三峡库区植被覆盖度空间分布特征,利用2000—2009年的最大植被覆盖度图,计算得到库区多年平均最大植被覆盖度图。根据水利部2008年颁布的《土壤侵蚀分类分级标准》中植被覆盖度分级标准,将植被覆盖度划分为5个等级:<30%(低覆盖度)、30%~45%(中低覆盖度)、45%~60%(中等覆盖度)、60%~75%(中高覆盖度)和>75%(高覆盖度)。由图 2可以看出:库区整体处于高植被覆盖度,其中,高覆盖度、中高覆盖度、中等覆盖度、中低覆盖度和低覆盖度面积分别占库区陆地总面积的67.98%,24.37%,4.91%,1.60%和1.14%。对照库区土地利用类型图,高覆盖度主要分布在林地、灌草地及少量耕地类型中,中高和中等盖度区主要集中在耕地类型中; 中低和低盖度区则主要分布在城镇居住区及工矿建设用地。植被覆盖度总体上呈现出林地>灌草地>耕地>建设用地,符合植被覆盖度区域分布的一般规律。说明利用MODIS NDVI数据监测三峡库区植被覆盖度是切实可行的。
![]() |
图 2 三峡库区年平均最大植被覆盖度空间分布 Figure 2 Spatial distribution of average annual maximum vegetation coverage in Three Gorges Reservoir Area |
基于SRTM DEM分别从高程和坡度2个方面分析了三峡库区植被覆盖度的地形分异特征。根据数据统计:<500 m,500~1 000 m,1 000 ~1 500 m和>1 500 m这4个高程等级上的平均植被覆盖度分别为70.76%,78.86%,84.55%和85.26%;<10°,10°~15°,15°~25°,25°~35°和>35°这5个坡度等级上的平均植被覆盖度分别为76.76%,77.01%,78.09%,79.72%和81.29%。这可能是随高程和坡度增大,库区土地利用逐步从耕地向林灌木用地类型转变,植被覆盖度也呈现相应增加趋势。
3.2 植被覆盖度的年际动态变化2000—2009年,三峡库区年最大植被覆盖度在76%上下波动,总体呈微弱上升趋势(图 3)。其中,2001和2006年的植被覆盖度偏低,这可能与当时西南地区严重干旱有关。由于上述年际变化是所有像元的平均结果,为深入分析库区植被覆盖度变化趋势的空间差异,对2000—2009年最大植被覆盖度进行逐像元线性拟合。由图 4a可以看出:植被覆盖度增幅较大的区域主要分布在开县、云阳、奉节、忠县和涪陵等地,而石柱、武隆、渝北及重庆市区则出现较大的降幅。其中,库区年最大植被覆盖度变化斜率为正的像元占57.07%,斜率为负的像元占42.93%。但F检验表明,绝大部分像元植被覆盖度并不存在显著的增减趋势(图 4b),仅4.46%的像元呈显著增加(X>0,α≤0.05),2.70%的像元呈显著降低(X<0,α≤0.05)。这说明近10年来,大部分区域的植被覆盖度变化属随机波动,这可能是农业耕作方式、植被对气候变化响应等综合因素作用的结果。而生态恢复重建措施、城市化建设、矿产资源开采等人为活动导致库区植被景观变迁的面积较小,其中植被覆盖度呈显著增加面积与2000—2009年《长江三峡工程生态与环境监测公报》公布的退耕还林(草)面积基本相当。
![]() |
图 3 2000—2009年三峡库区年最大植被覆盖度的年际变化 Figure 3 Inter-annual variation of annual maximum vegetation coverage in Three Gorges Reservoir Area from 2000 to 2009 |
![]() |
图 4 三峡库区年最大植被覆盖度年际变化趋势(a)及显著性检验(b) Figure 4 Inter-annual trend image of annual maximum vegetation coverage (a) and its significant test (b) in Three Gorges Reservoir Area |
为进一步判断各区(县)植被覆盖度的年际变化差异,利用行政区划图统计了库区20个区(县)植被覆盖度有显著变化趋势的面积(表 1)。17个县区的显著增加面积要大于显著降低面积,其中开县、云阳、秭归和巫山4县的面积差都在100 km2以上; 而石柱、江津和丰都的显著增加面积则小于显著降低面积,面积差分别为-159.21,-35.39和-5.65 km2。这表明库区大多数区县通过近10年的植被恢复和生态建设取得了一定的成果,而石柱、江津和丰都3县的植被状况则存在退化风险。
![]() |
年最大植被覆盖度与年降水量呈极显著正相关(P<0.01),而与年均气温无明显的相关关系,表明降水量是影响三峡库区年最大植被覆盖度的主要气候因子,该结论与西南地区植被生长对气候响应的研究结果一致(谷晓平等,2007)。为精确分析三峡库区植被覆盖度对降水量的响应,并考虑到降水对植被生长的滞后影响及累积效应,本次研究分别分析了当年1—8月、3—8月、5—8月、7—8月和8月5个时段的降水量与当年最大植被覆盖度间的相关性。因为三峡库区植被覆盖度一般在8月达到最大,故研究时间段重点考虑8月之前。通过计算得到上述5个时段降水量与当年最大植被覆盖度间的相关系数分别为0.738(P<0.05),0.756(P<0.05),0.805(P<0.01),0.542和0.177。这表明5—8月降水量增加将显著提高三峡库区年最大植被覆盖度,而当年8月降水对年最大植被覆盖度无明显影响。
由于三峡库区地形复杂,气候垂直变化显著,因此库区降水对植被生长的影响可能存在一定空间分异特征,仅基于全局的分析无法准确识别局部地区植被覆盖度与降水的相关性。进一步从像元尺度上分析了三峡库区年最大植被覆盖度与当年5—8月降水量的相关关系(图 5)。可以看出,三峡库区大部分区域的植被覆盖度与降水量为正相关关系。根据置信度检验,植被覆盖度与降水量呈极显著正相关(r>0,P<0.01)、显著正相关(r>0,P<0.05)、无显著正相关(r>0,P>0.05)、无显著负相关(r<0,P<0.01)、显著负相关(r<0,P<0.05)、极显著负相关(r<0,P<0.01) 的像元分别占总像元数的4.60%,9.21%,57.60%,27.32%,1.02%和0.24%。其中呈显著正相关的区域主要分布在库区西部低山丘陵地区,这可能与该地区主要以耕地为主的土地利用类型有关,由于受灌溉条件限制,自然降水对当地植被生长极为重要。而呈显著负相关的区域零星分布于库区北部和东部地区的高山区域。高山地区降水过多,伴随云量增加,使入射太阳辐射量减少,而土壤湿度的增加将导致地面潜热蒸发相对增大,这些会使气温下降,不利于植物光合作用,进而抑制植被的生长(王玲等,2007; 张永恒等,2009)。郑有飞等(2009)同样指出西南地区植被生长对降水量的响应存在一个阈值,部分区域降水量偏大反而不利植被生长。
![]() |
图 5 年最大植被覆盖度与当年5—8月降水量的相关系数分布 Figure 5 Spatial distribution of correlation coefficients between annual maximum vegetation fraction and precipitation from May to Aug. |
研究表明:三峡库区大部分区域处于高植被覆盖度,并随高程和坡度的增加而增大,基本符合库区植被覆盖的实际情况及其变化特征,说明利用MODIS NDVI数据估算三峡库区植被覆盖度是切实可行的。近10年来,三峡库区年最大植被覆盖度整体呈微弱上升趋势,其中植被覆盖度呈显著增加或降低的面积仅占7.16%,这反映出生态恢复重建措施、城市建设、矿产资源开采等人为活动对库区植被景观的影响较小。降水是引起三峡库区年最大植被覆盖度波动的主要气候因子,并具有一定累积效应,其中当年5—8月降水量增加对年最大植被覆盖度的影响最为显著,但在空间分布上有所差异,其中呈显著正相关区域主要分布于库区西部低山丘陵农业种植区,而库区东北部分高海拔地区的年最大植被覆盖度与降水呈显著负相关,过大降水量反而抑制该区域的植被生长。
由于野外条件限制,传统地面测量难以满足范围大、时效性强的植被覆盖度提取需求,遥感技术的应用为监测大尺度植被覆盖度提供了可能。但在TM,ASTER,MODIS和NOAA/AVHRR等中低分辨率影像中,很少有地物面积能连续超过影像的像元大小,故大部分像元都是由各种不同地物组成的混合像元。混合像元的存在给遥感应用带来很大不确定性,是遥感技术向定量化深入发展的重要障碍。混合像元分解是根据每个像元内不同地面覆盖类型对遥感传感器所观测到信息的贡献,将遥感信息分解,建立模型并用来估算植被覆盖度。像元二分模型是当前最为简单适用的混合像元分解模型,是基于Sveg与Ssoil这2个调节因子所做的线性拉伸,将大气、土壤背景和植被类型等对遥感信息的影响降至最低,并较好地保留了混合像元中植被覆盖信息,使遥感应用技术由像元级到达亚像元级。此外,Gutman等(1998)以像元二分模型为基础,将混合像元分为等密度、非密度和混合密度亚像元,并针对不同的亚像元结构建立不同的植被覆盖度模型。本次研究仅采用等密度一种情况,今后如想获取三峡库区更为精确的地表植被覆盖度信息,可能还需对像元二分模型做进一步探索和改进。
陈云浩, 李晓兵, 史培军, 等. 2001. 北京海淀区植被覆盖度的遥感动态研究[J]. 植物生态学报, 25(5): 588-593. |
谷晓平, 黄玫, 季劲钧, 等. 2007. 近20年气候变化对西南地区植被净初级生产力的影响[J]. 自然资源学报, 22(2): 251-260. DOI:10.11849/zrzyxb.2007.02.012 |
顾祝军, 曾志远, 史学正, 等. 2008. 基于ETM+图像的植被覆盖度遥感估算模型[J]. 生态环境, 17(2): 771-776. |
李苗苗, 吴炳方, 颜长珍, 等. 2004. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 26(4): 0157-0164. |
刘广峰, 吴波, 范文义, 等. 2007. 基于像元二分模型的沙漠化地区植被覆盖度提取—以毛乌素沙地为例[J]. 水土保持研究, 14(2): 268-271. |
孙红雨, 王长耀, 牛铮, 等. 1998. 中国地表植被覆盖变化及其与气候因子关系—基于NOAA时间序列数据分析[J]. 遥感学报, 2(3): 204-210. DOI:10.11834/jrs.19980309 |
孙华, 白红英, 张清雨, 等. 2010. 基于SPOT VEGETATION的秦岭南坡近10年来植被覆盖变化及其对温度的响应[J]. 环境科学学报, 30(3): 649-654. |
唐志光, 马金辉, 李成六, 等. 2010. 三江源自然保护区植被覆盖度遥感估算[J]. 兰州大学学报, 46(2): 11-16. |
王玲, 刘海隆. 2007. 重庆岩溶地区气候变化对植被的影响[J]. 气象与环境学报, 23(1): 6-11. |
吴云, 曾源, 赵炎, 等. 2010. 基于MODIS数据的海河流域植被覆盖度估算及动态变化分析[J]. 资源科学, 32(7): 1417-1424. |
章文波, 符素华, 刘宝元. 2001. 目估法测量植被覆盖度的精度分析[J]. 北京师范大学学报:自然科学版, 37(3): 402-408. |
张永恒, 范广州, 李腊平, 等. 2009. 西南地区植被变化与气温及降水关系的初步分析[J]. 高原山地气象研究, 29(1): 6-13. |
赵彩霞, 郑大玮, 何文清. 2005. 植被覆盖度的时间变化及其防风蚀效应[J]. 植物生态学报, 29(1): 68-73. |
郑有飞, 刘宏举, 吴荣军, 等. 2009. 贵州省NDVI变化及其与主要气候因子的相关性[J]. 生态与农村环境学报, 25(1): 12-17. |
Carlson T N, Ripley D A. 1997. On the relation between NDVI fractional vegetation cover and leaf area index[J]. Remote Sensing of Environment, 62(3): 241-252. DOI:10.1016/S0034-4257(97)00104-1 |
Eastwood J A, Yates M G, Thomson A G, et a1. 1997. The reliability of vegetation indices for monitoring Saltmarsh vegetation cover[J]. International Journal of Remote Sensing, 18(18): 3901-3907. DOI:10.1080/014311697216739 |
Gitelson A A, Kaufman Y J, Stark R, et al. 2002. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 80(1): 76-87. DOI:10.1016/S0034-4257(01)00289-9 |
Gutman G, Ignalov A. 1998. The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J]. International Journal of Remote Sensing, 19(8): 1533-1543. DOI:10.1080/014311698215333 |
Kaufman Y, Tanre D. 1992. Atmospherically resistant vegetation index(ARVI)for EOS—MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 30(2): 261-270. DOI:10.1109/36.134076 |
Qi J, Marsett R C, Moran M S, et al. 2000. Spatial and temporal dynamics of vegetation in the San Pedro River basin area[J]. Agricultural and Forest Meteorology, 105(1/3): 55-68. |
Rundquist B C. 2002. The influence of canopy green vegetation fraction on spectral measurements over native tall grass prairie[J]. Remote Sensing of Environment, 81(1): 129-135. |
Wang G, Wente S, Gertner G Z, et al. 2002. Improvement in mapping vegetation cover factor for the universal soil loss equation by geostatistical methods with Landsat Thematic Mapper images[J]. International Journal of Remote Sensing, 23(18): 3649-3667. DOI:10.1080/01431160110114538 |