文章信息
- 邓目丽, 蒋馥根, 孙华, 龙依, 易静
- DENG Muli, JIANG Fugen, SUN Hua, LONG Yi, YI Jing
- 神木市植被覆盖度时空动态变化分析
- Spatial-temporal dynamic change analysis of vegetation coverage in Shenmu City
- 森林与环境学报,2021, 41(6): 611-619.
- Journal of Forest and Environment,2021, 41(6): 611-619.
- http://dx.doi.org/10.13324/j.cnki.jfcf.2021.06.007
-
文章历史
- 收稿日期: 2021-08-05
- 修回日期: 2021-10-01
2. 林业遥感大数据与生态安全湖南省重点实验室, 湖南 长沙 410004
2. Key Laboratory of Forestry Remote Sensing Based Big Data and Ecological Security for Hunan Province, Changsha, Hunan 410004, China
植被在维持和调节生态环境中发挥着巨大作用,植被生态系统退化等环境变化与人类的生活水平息息相关[1]。确保人类生存环境的可持续发展,缓解全球环境恶化,是各国政府、相关研究人员及公众关注的焦点[2]。植被覆盖度(fractional vegetation cover, FVC) 指植被在地面的垂直投影面积占研究区总面积的百分比,能直观地表示地表植被覆盖状况[3]。干旱与半干旱地区是我国六大典型生态脆弱区之一,存在着严峻的土地沙化与荒漠化问题[4]。掌握干旱与半干旱地区的植被覆盖度信息及其变化规律,分析植被覆盖度变化驱动因素,对保护我国生态环境、提高环境质量具有重要意义。
植被覆盖度的测量方法主要有地面调查法和遥感监测法[5]。传统的地面调查法在小范围能实现高精度测量,但在进行大尺度测量工作时耗时耗力,效率较低[6]。遥感技术具备获取大尺度数据和连续观测的能力,利用遥感影像结合估测模型能高效、大尺度地提取植被覆盖度信息[7]。像元二分模型是估测植被覆盖度的常用方法[8],但该方法仅考虑光合植被(photosynthetic vegetation, PV) 和裸土(bare soil, BS) 2种组分。然而,在自然环境中,尤其是干旱与半干旱地区,地表不仅存在能够进行光合作用的PV,还覆盖着许多非光合植被(non-photosynthetic vegetation, NPV)。NPV主要指的是枯草、枯叶、枯枝、枯干和凋落物等,也是评价区域植被生长的重要组成部分[9]。像元三分模型不需要先验数据,且能够较好地区分和估算光合植被覆盖度(fPV)、非光合植被覆盖度(fNPV) 和裸土覆盖度(fBS)。GUERSCHMAN et al[10]首次提出像元三分模型,基于Hyperion高光谱影像较好地估算了澳大利亚稀树草原的fPV和fNPV。王光镇等[11]以MOD09GHK影像为数据源,基于归一化植被指数-干枯燃料指数(normalized difference vegetation index-dead fuel index, NDVI-DFI) 像元三分模型的估测结果分析得出锡林郭勒典型草原fPV和fNPV的季节性动态变化与牧草物候发育特征相符的结论。此外,唐梦迎等[12]使用Landsat影像和NDVI-DFI像元三分模型估算了干旱地区博尔塔蒙古自治州的fPV和fNPV,结果符合精度要求。像元三分模型能够较好地估测植被覆盖度,但如何高效实现干旱及半干旱地区长时间序列植被覆盖度动态变化及驱动力分析的相关研究仍然较少。
陕西省神木市地域广阔,矿产资源丰富,但煤矿资源开采造成的土壤污染、水土流失等问题导致矿区及周边植被覆盖度降低,生态环境质量下降[13]。为了明确神木市长时间尺度植被覆盖度变化规律及其驱动因素,利用谷歌地球引擎(Google Earth Engine, GEE) 云平台获取神木市2000—2020年陆地卫星(Landsat) 遥感影像,通过NDVI-DFI像元三分模型提取植被覆盖度,采用线性回归分析植被覆盖度变化趋势并结合气温、降水量、原煤产量及地区国内生产总值(gross domestic product, GDP) 等影响因素进行相关性分析,探讨气象因子和人为扰动对植被覆盖度的影响,为干旱及半干旱地区植被覆盖度遥感估测和生态环境保护提供参考。
1 材料与方法 1.1 研究区概况研究区为神木市(109°40′~110°55′E,38°13′~39°27′N),隶属于陕西省榆林市,总面积7 479 km2,海拔738.7~1 448.7 m,属于温带大陆性季风气候区,年降水量466.6 mm,年平均气温9.2 ℃。神木市储煤面积4 500 km2,约占全市总面积的60%,煤矿资源是当地经济发展的主要支柱。研究区主要土地利用类型为草地、耕地和林地,土壤类型以风沙土和黄绵土为主,长期存在水土流失、土地沙化等环境问题。
1.2 数据获取及处理通过GEE云平台获取神木市2000—2020年植被生长旺盛期(7—9月) 的Landsat影像,并对影像进行最小云量合成等预处理,其中,2000—2011年使用Landsat 5/TM影像,2012年使用Landsat 7/ETM+影像,2013—2020年使用Landsat 8/OLI影像。
研究所用气象数据来自中国气象数据网(http://data.cma.cn),包括地面气温月值0.5°×0.5°格点数据集(V 2.0) 和地面降水月值0.5°×0.5°格点数据集(V 2.0);获取2000—2020年神木市月累积降水量和月平均气温等气象数据,分别进行年累积和年均值合成。神木市年原煤产量和年GDP等社会经济数据来源于统计年鉴(https://epub.cnki.net/kns/brief/result.aspx?dbPrefix=CYFD) 和官方统计公报(http://www.sxsm.gov.cn/)。
1.3 研究方法 1.3.1 NDVI-DFI像元三分模型NDVI-DFI像元三分模型即假定像元中有PV、NPV和BS共3种组分,并且组分中归一化植被指数(normalized difference vegetation index, NDVI or INDV) 和干枯燃料指数(dead fuel index, DFI or IDF) 符合线性关系[11, 14]。理想情况下,NDVI-DFI特征空间图表现为三角形:PV端元的NDVI值最大,NPV端元的NDVI值次之,BS端元的NDVI值最小;NPV端元的DFI值最大,PV端元的DFI值次之,BS端元的DFI值最小。
利用纯净像元指数法和散点图来确定纯净端元和端元特征值[15]。通过ENVI 5.3得到每期影像的纯净像元指数(pixel purity index, PPI)、NDVI指数(公式1) 和DFI指数(公式2),绘制NDVI-DFI特征空间。视PPI指数大于3且靠近特征空间图顶点的像元为纯净端元,提取各类纯净端元的NDVI均值和DFI均值作为相应端元的特征值。
$ \begin{aligned} I_{\mathrm{NDV}}=\left(B_{1}-B_{2}\right) /\left(B_{1}+B_{2}\right) \end{aligned} $ | (1) |
$ I_{\mathrm{DF}}=\left(1-B_{4} / B_{3}\right)\left(B_{2} / B_{1}\right) \times 100 $ | (2) |
式中:B1为近红外波段地表反射率;B2为红光波段地表反射率;B3为短红外1波段地表反射率;B4为短红外2波段地表反射率。
1.3.2 趋势分析及驱动力分析一元线性回归分析是常用的统计分析方法,能有效应用于趋势分析[16]。以年份为自变量,以fPV为因变量,建立二者之间的线性回归方程,并进行显著性检验。方程中斜率(slope, S) 的值表示fPV的变化趋势,当S<0且P<0.05时,表示植被显著退化;当S<0,P>0.05时,表示植被轻微退化;当S=0时,表示植被无显著变化;当S>0,P>0.05时,表示植被轻微增加;当S>0且P<0.05时,表示植被显著增加。
$ S=\frac{n \sum\limits_{i=1}^{n} i \cdot f_{\mathrm{PV}, i}-\sum\limits_{i=1}^{n} i \sum\limits_{i=1}^{n} f_{\mathrm{PV}, i}}{n \sum\limits_{i=1}^{n} i^{2}-\left(\sum\limits_{i=1}^{n} i\right)^{2}} $ | (3) |
式中:S为斜率;i为年序号;fPV,i为第i年的fPV;n为时间序列的长度,n=21。
利用0.5°×0.5°格点数据集得到神木市2000—2020年累积降水量和年平均气温,对研究区内所有像元取平均值,得到相应年份年降水量和年平均气温。利用R语言软件将神木市21 a气象数据、社会经济数据与平均fPV进行相关性分析和显著性检验。
2 结果与分析 2.1 归一化植被指数-干枯燃料指数特征空间及端元特征值以NDVI为横轴,DFI为纵轴,构建神木市2000—2020年的NDVI-DFI特征空间(图 1)。21 a影像的NDVI-DFI特征空间基本表现为三角形,其中2001、2003和2009年的特征空间图中由于PV端的NDVI值较低呈现为不太明显的三角形,表明植被生长状况不佳,PV较少而NPV和BS较多。由图 1可知,一定范围内NPV端和BS端的DFI值随着NDVI值的增大而增大;但在PV端,随着NDVI值的增大,DFI的值会慢慢减小。这表明fPV提高后,fNPV会降低,从而DFI指数减小。
2.2 植被覆盖度估算结果应用NDVI-DFI像元三分模型对21期Landsat影像进行分解,得到神木市2000—2020年的fPV、fNPV和fBS合成图(图 2)。神木市东部和南部植被覆盖度较高,而西部和西北部的植被覆盖度较低。东部和南部大部分区域处于沟壑丘陵地带,整体海拔比较低,分布多条河流,有利于植被生长;西部和西北部海拔高、水热条件相对较差,地势平坦多为草地,居民过度放牧、开垦荒地和开采煤矿资源等活动导致植被生态环境遭到严重破坏,因此,植被覆盖状况较差。
2000—2020年神木市植被覆盖度柱状图如图 3所示。2000—2020年神木市的平均fPV和平均fNPV呈波动上升的趋势,平均fPV的波动范围为10.3%~34.9%,以年平均3.86%的速率增长;平均fNPV的波动范围为23.6%~49.4%,以年平均0.36%的速率增长。2000—2004年神木市平均fPV范围在10%~20%之间,裸地面积占神木市总面积的比重较大。2001、2003和2004年平均fPV分别为10.3%、13.9%和17.5%,fBS分别达到65.2%、59.7%和58.4%。2005—2011年,神木市平均fPV范围提升至20%~30%之间,裸地面积占比降低至40%左右。2012—2020年,神木市平均fPV范围为25%~35%,植被覆盖状况得到明显改善。
2.3 光合植被覆盖度变化趋势分析利用一元线性回归分析法进行像元尺度的fPV变化趋势分析,根据斜率和P值将fPV变化趋势分级并统计每个等级的像元占总像元数量的比例,得到2000—2020年fPV的变化趋势空间分布及统计图(图 4)。神木市2000—2020年fPV的年际变化总体呈现增长趋势,且具有明显的空间差异。植被轻微退化和显著退化区域分别占比8.3%和1.9%,植被退化区域总计占比10.2%;植被无显著变化区域占比0.8%;植被轻微增加和显著增加区域占比29.4%和59.6%,植被增长区域总计占比89.0%。中部、东部和南部fPV多呈现显著增加趋势,东北部有轻微增加趋势,无显著变化区域主要集中在永久水域,西部和西北部的小部分地区有植被退化现象。这种空间分布差异主要是由于中部、南部和东部海拔较低有河流汇集且多丘陵沟壑,为草本植物生长提供良好条件,而西部和西北部煤矿区分布较多,煤矿资源的开采、运输等人类活动导致矿区及周边土壤受到重金属污染,植被生长环境遭到破坏,植被生理活动受到影响。
2.4 光合植被覆盖度变化驱动力分析将2000—2020年神木市的气象因子和社会经济数据与fPV进行相关性分析和显著性检验,得到fPV与降水量、气温、原煤产量和地区GDP的关系折线图(图 5)。2000—2020年研究区的年降水量在312~706 mm之间波动,平均年降水量为467 mm。fPV与年降水量相关系数为0.540 (P<0.05),两者年际变化趋势总体一致。2000—2003年间降水量逐年增长,fPV有明显的上下波动,说明该时间内降水量对植被生长的促进作用远小于人类活动对植被环境的影响。2016—2020年间降水量逐年递减,但fPV整体上呈现增长趋势,仅在2019年出现一个较低值,说明旨在保护环境采取的植树造林等措施在一定程度降低了降水量减少对植被产生的消极影响。2005—2015年,降水量与fPV的变化趋势呈现出较高的一致性,说明降水量是该时期内影响植被生长和恢复的主要因素。2000—2020年神木市的年平均气温在8.3~9.9 ℃之间波动上升,平均气温9.2 ℃。年平均气温与fPV的变化皆呈上升趋势,两者的相关系数为0.405,但并不显著(P>0.05)。神木市年原煤产量和GDP整体呈现上升趋势,均与fPV变化趋势一致。年原煤产量与GDP的相关系数为0.977 (P<0.01),fPV与年原煤产量和GDP的相关系数分别为0.885和0.849 (P<0.01)。煤矿开发促进了经济快速发展,经济发展又为神木市实施有利于植被恢复的政策提供了支持,整体植被覆盖度得以增加。2000—2012年神木市GDP呈现指数增长趋势,从2000年的23亿元增长到2012年的1 004亿元,但此时期内GDP年际变化与fPV年际变化关系不大。2012—2018年,神木市GDP的年际变化趋势与fPV年际变化趋势几乎一致,两者的相关性明显增强,说明在该时间段内经济发展对植被覆盖度的影响较大。
3 讨论与结论 3.1 讨论利用像元三分模型得到2000和2018年的fPV与马锋等[17]得到的结果相似,误差分别为3.7%和7.5%。此外,通过2017年10 m分辨率的精细观测与监测-全球土地覆盖数据(finer resolution observation and monitoring-global land cover,FROM-GLC) [18]计算神木市植被覆盖度,提取结果与本研究中2017年的植被覆盖度的误差小于10%。本研究主要为探讨神木市植被覆盖度长时间序列变化趋势及驱动因素,像元三分模型的提取结果整体上符合精度要求。神木市植被覆盖度总体呈现增加趋势,fPV变化在空间分布上差异比较明显,呈现“东南增加快,西北增加慢”的格局,这与王涛等[19]得到的榆林市植被覆盖度变化结果相似。
气候变化和人类活动是影响植被覆盖度变化的主导因素。从研究结果来看,神木市fPV与年平均气温相关性不显著,但与年降水量、GDP和年原煤产量表现为显著正相关(P<0.05),说明降水量和经济发展是神木市植被覆盖度增加的主要驱动因子。2000—2004年神木市年降水量呈现增加趋势,fPV变化总体上有所增加,但fPV与fNPV总和呈现下降趋势。由于神木市该时期处于还林还草等生态工程的初步实行阶段,大量植树造林和退耕还林举措使得农用地减少,而PV的增加量小于NPV的减少量,从而导致fPV有所增加但fPV与fNPV总和降低[20]。神木市通过开采煤矿发展工业带动了经济飞速发展,煤矿区及周边的土壤与生态环境因此遭到一定破坏,但经济发展使得大量农村劳动力外迁、农业人口减少,居民对土地的干预程度降低。国家和地方政府实施多个保护与改善生态环境的政策并积极组织生态补偿工作,投入大量资金保护和修复植被环境,植被覆盖状况得到改善[21]。神木市以开采煤矿等资源为主要经济驱动,经济发展一定程度上有益于植被恢复,因此,煤矿开发间接成为该地区植被覆盖度增加的驱动因素[22]。为平衡生态环境保护与能源开发,政府需要投入大量的资金在煤矿开采区进行合理的生态补偿,修复、改善因开发资源遭到破坏的生态环境。其次,需安排合适的管护资金保障现有退耕还林还草成果中林木的正常生长,以发挥生态工程的最大效益。此外,政府需实施必要的政策和机制,协调生态保护和提高居民生活水平。
纯净端元及其特征值是决定像元三分模型精度的关键。PPI指数法结合散点图提取纯净像元精度较高,但由于光谱异质性等问题,若纯净像元较少则该方法易存在较大误差[11]。因此,如何更准确地确定纯净端元及其特征值是像元三分模型应用中需要进一步解决的问题。此外,DFI指数易受到植被类型和结构、土壤类型与湿度以及光谱差异等多种因素的影响[23]。能否减小这些因素对DFI指数估算植被覆盖度的影响或构造能更好区分光合与非光合植被的新指数,尚有待于进一步研究。
3.2 结论利用GEE平台获取神木市2000—2020年植被生长旺盛期的Landsat影像,基于NDVI-DFI像元三分模型估算神木市长时间序列的fPV、fNPV和fBS,采用一元线性回归分析法和相关性分析揭示了神木市fPV的年际变化状况及降水量、气温、原煤产量和GDP对fPV变化的影响规律。时间变化上,2000—2020年神木市的fPV和fNPV总体均呈现增长趋势,分别以年平均3.86%和0.36%的速率增长;2000—2004年植被覆盖状况较差,但在2005年之后得到明显改善。空间变化上,2000—2020年神木市植被覆盖状况整体上显著改善,fPV显著增加面积占比为59.6%,轻微增加的面积占比为29.4%,显著退化的面积占比为1.9%,轻微退化的面积占比为8.3%,无显著变化区域的面积占比为0.8%;其中,东部、中部和南部fPV增加较快,西部和西北部地区增加较慢且小部分地区有退化现象。神木市fPV与降水量、原煤产量和GDP均表现为显著正相关(P<0.05),但与气温表现为不显著;GEE平台能够快速获取大范围区域的遥感影像,可以应用于监测植被覆盖度动态变化,为干旱与半干旱区域植被覆盖度动态监测和生态环境保护提供参考。
[1] |
余玉洋, 王银苹, 秦奋, 等. 河南省植被覆盖指数变化及其对气候的响应[J]. 森林与环境学报, 2019, 39(3): 280-286. |
[2] |
张含玉, 方怒放, 史志华. 黄土高原植被覆盖时空变化及其对气候因子的响应[J]. 生态学报, 2016, 36(13): 3960-3968. |
[3] |
苏艳琴, 赖日文, 闫琦, 等. 植被覆盖度提取及景观格局分析[J]. 森林与环境学报, 2018, 38(2): 164-170. |
[4] |
孙康慧, 曾晓东, 李芳. 中国生态脆弱区叶面积指数变化的主导气象因子研究[J]. 自然资源学报, 2021, 36(7): 1873-1892. |
[5] |
姬翠翠, 贾永红, 李晓松, 等. 线性/非线性光谱混合模型估算白刺灌丛植被覆盖度[J]. 遥感学报, 2016, 20(6): 1402-1412. |
[6] |
宋清洁, 崔霞, 张瑶瑶, 等. 基于小型无人机与MODIS数据的草地植被覆盖度研究: 以甘南州为例[J]. 草业科学, 2017, 34(1): 40-50. |
[7] |
祝聪, 彭文甫, 张丽芳, 等. 2006-2016年岷江上游植被覆盖度时空变化及驱动力[J]. 生态学报, 2019, 39(5): 1583-1594. |
[8] |
杨婷婷, 郭福涛, 王文辉, 等. 福建长汀红壤区植被覆盖度变化趋势分析[J]. 森林与环境学报, 2016, 36(1): 15-21. |
[9] |
柴国奇, 王静璞, 王光镇, 等. 基于MODIS数据的典型草原非光合植被覆盖度估算[J]. 国土资源遥感, 2019, 31(3): 234-241. |
[10] |
GUERSCHMAN J P, HILL M J, RENZULLO L J, et al. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1 Hyperion and MODIS sensors[J]. Remote Sensing of Environment, 2009, 113(5): 928-945. DOI:10.1016/j.rse.2009.01.006 |
[11] |
王光镇, 王静璞, 邹学勇, 等. 基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算[J]. 生态学报, 2017, 37(17): 5722-5731. |
[12] |
唐梦迎, 丁建丽, 夏楠, 等. 博尔塔拉蒙古自治州植被覆盖度估算[J]. 测绘科学, 2019, 44(7): 74-81. |
[13] |
文琦, 施琳娜, 丁宝萍. 煤炭资源富集区生态补偿模式探讨: 以陕西神木县为例[J]. 生态经济, 2018, 34(2): 190-194. |
[14] |
CAO X, CHEN J, MATSUSHITA B, et al. Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area[J]. International Journal of Remote Sensing, 2010, 31(6): 1589-1604. |
[15] |
侯春华, 李富平, 冯一帆, 等. 基于NDVI-DFI的矿业开发密集区地表热环境分异效应分析[J]. 农业工程学报, 2020, 36(3): 160-168. |
[16] |
王震, 闫文德, 刘曙光, 等. 基于MODIS数据的湖南省2001-2013年植被覆盖指数时空变化研究[J]. 中南林业科技大学学报, 2016, 36(11): 41-46. |
[17] |
马锋, 卓静, 何慧娟, 等. 陕西省榆林市植被生态演变及其驱动机制[J]. 水土保持通报, 2020, 40(5): 257-261. |
[18] |
GONG P, LIU H, ZHANG M N, et al. Stable classification with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6): 370-373. |
[19] |
王涛, 杨梅焕, 徐澜. 陕西榆林地区植被退化与沙漠化趋势分析[J]. 西北师范大学学报(自然科学版), 2017, 53(2): 104-111. |
[20] |
石玉琼, 郑亚云, 李团胜. 榆林地区2000-2014年NDVI时空变化[J]. 生态学杂志, 2018, 37(1): 211-218. |
[21] |
雷思君, 孙华, 刘华, 等. Landsat 8时间序列影像支持下的农田防护林提取方法研究[J]. 中南林业科技大学学报, 2020, 40(4): 57-63. |
[22] |
马思远. 黄土高原植被覆盖时空变化特征及驱动力分析: 以河龙间西北片为例[D]. 郑州: 河南农业大学, 2019.
|
[23] |
DAUGHTRY C S T, HUNT JR E R. Mitigating the effects of soil and residue water contents on remotely sensed estimates of crop residue cover[J]. Remote Sensing of Environment, 2008, 112(4): 1647-1657. |