Analysis on Temporal-spatial Change of Vegetation Coverage in Hulunbuir Steppe

PENG Fei1, FAN Wenjie1,†, XU Xiru1, LIU Xing2

ACTA Scientiarum Naturalium Universitatis Pekinensis - - Contents - PENG Fei, FAN Wenjie, XU Xiru, et al

1. Institute of Remote Sensing and Geographical Information Systems, Peking University, Beijing 100871; 2. Anhui University of Science & Technology, Huainan 232001; † Corresponding author, E-mail: fanwj@pku.edu.cn

Abstract As the core components of Hulunbuir Steppe, Xinbaerhuyouqi, Xinbaerhuzuoqi, Chenbaerhuqi, and Ewenkezuzizhiqi were selected as the key study area. Pixel decomposition model was introduced to retrieve the fraction of vegetation coverage (FVC) utilizing the MODIS NDVI data set, and the time series of vegetation coverage was reconstructed. Then, the temporal-spatial changes of FVC time series for study region over the 15year period from 2000 to 2014 were analyzed. Especially, the algorithm of checking abnormal-point was also introduced, combining the same period of meteorological data of this area to investigate the interior driving forces between FVC and meteorological factors. The FVC distribution of 2014 showed that the higher level vegetation coverage mainly distributed in the east of study area; on the contrary, the lower level of that mainly distributed in the west of study area. Especially, the lowest vegetation coverage existed in the southwest of the study area. Further study of FVC changes showed that the vegetation coverage of whole study area decreased in the first 10 years, while that increased slowly in the latter 5 years. Additionally, the abnormal points which occurred in greenup and green-end periods had much more significant correlation with temperature; while the abnormal points which occurred from July to August strongly correlated with precipitation. Key words Hulunbuir Steppe; pixel decomposition model; vegetation coverage (FVC); time-series; climatic factors; changed points checking algorithm of vegetation time series; correlation

植被覆盖度( fractiona of vegetation coverage, FVC)通常定义为植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[1]。FVC 不仅是描述地表植被覆盖的重要参数, 也是反映地表植被长势的重要参量, 同时还是草原退化监测最重要、最敏感的指标。我国是世界上草原资源最丰富的国家之一, 草原总面积近 4×108 hm2, 占全国土地总面积的 40%。很多研究表明, 近年来我国草原大面积出现明显的退化。呼伦贝尔草原是我国保存较为完好的草原之一, 近年来也出现不同程度的退化。草原的退化往往表现为植被覆盖度的降低[25], 基于多种平台搭载传感器的遥感观测技术很容易对大面积的草原进行实时、同步监测。植被覆盖度的遥感监测方法主要有物理模型法和统计模型法。物理模型法是基于辐射传输内部物理机制, 过程复杂, 变量多, 难以在实际中应用。统计模型法中较常用的是回归模型法、植被指数法及像元分解法。回归模型法精度高, 但仅适用于小面积区域, 有一定的局限性[3]。植被指数法直接利用植被指数, 近似地估算植被覆盖度, 优点是不需要建立回归模型, 缺点是精度相对较低。像元分解法利用混合像元分解的方法反演植被覆盖度。陈晋等[6]和陈云浩等[7]根据 TM 像元为非均一混合像元的特点, 提出基于土地覆盖分类的植被覆盖度估算亚像元模型, 并对北京市海淀区的植被覆盖度进行估算, 为大面积植被覆盖度的估算提供了一种有效途径。在像元分解方法中, 最具代表性的是像元二分模型。该模型基于线性的像元分解方法, 形式相对简单, 在很大程度上削弱了大气、土壤背景和植被类型的影响, 普适性较好[79]。

对草原植被覆盖度进行遥感监测, 尤其是长期动态观测, 如果仅仅从某一时空来探讨草原植被与气候因子的内在关系, 则容易忽略时间序列包含的一些重要信息。国内一些学者利用 NOAA/AVHRR数据, 结合地面气象数据, 研究近 20 年来中国东北地区呼伦贝尔草原归一化植被覆盖指数(normalized difference vegetation index, NDVI)与温度、降水的相互关系。呼伦贝尔草原对气候变化的响应特征表明, NDVI 与气温(尤其在春季)相关性显著[1015]。国外一些学者探讨植被信息与气象因子的内在关系,

[1621]论证了气候对植被的影响 。上述研究大多是对某一时段内植被的 NDVI 数据进行间断性动态分析, 以此间接分析植被的生长状况。然而, NDVI 对 低覆盖植被的变化较敏感, 且饱和值较低[8]。如果可以直接对草原植被覆盖度时间序列进行分析, 就可以在一定程度上规避这些不足, 更加清晰地反映草原退化的程度与过程。因此, 本文基于 2000— 2014 年呼伦贝尔草原核心区的新巴尔虎右旗、新巴尔虎左旗、陈巴尔虎旗和鄂温克族自治旗(简称“牧业四旗”)的 MODIS 产品 MOD13A2, 利用像元二分模型, 反演得到 15 年草原植被覆盖度的时间序列, 然后结合研究区的气象数据, 采用像元趋势分析方法和植被覆盖度异常变化检测算法, 研究 15年间植被覆盖度的变化过程, 以期对研究区内草原的保护与发展提供依据。

1数据与方法1.1研究区概况

呼伦贝尔草原位于内蒙古自治区呼伦贝尔市西南部, 地理坐标为: 115°31′—121°09′E, 46°10′— 50°12′N, 西部与蒙古共和国接壤。呼伦贝尔草原地形总体上西高东低, 地势由西到东缓慢过渡。中部是波状起伏的海拉尔台地高平原, 其中包含大沙带和零星沙丘堆积。呼伦贝尔草原具有典型的温带大陆性季风气候, 光照充足, 雨热同季。土壤类型多为暗棕壤、黑土和暗色草甸土, 有机质丰富, 土层深厚。年均温为 3.1℃ , 15 年间平均年降雨量为 275.5 mm, 夏季温暖多雨, 冬季严寒干燥, 导致草原生长周期短, 生长旺季集中在温暖多雨的夏季。本文选择天然牧场所在的呼伦贝尔草原核心区域“牧业四旗”为研究区(图 1)。

1.2 数据来源及其预处理1.2.1 遥感数据与预处理

本研究采用的影像数据为研究区 2000—2014年基于最大合成法(Maximum Value Compositing, MVC) 的 MOD13A2 产品 (https://ladsweb.nascom. nasa.gov/), 时间分辨率为16 天, 空间分辨率为1 km。其中, 2000 年可用数据开始于 2 月。MOD13A2 产品已经过辐射校正和几何粗校正、每日每轨图像几何精校正以及除坏线等处理, 包括 4 个轨道数据: h25v03, h25v04, h26v03 和 h26v04。同时, 采用与MOD13A2 产品配套的研究区 2000—2014 年土地利用分类数据产品 MCD12Q1, 时间分辨率为 1 年,空间分辨率为 1 km。运用 MODIS Reprojection Tools (MRT)软件对下载的数据产品进行数据格式和投影转换, 完成影像数据的拼接。采用ERDAS 9.2

软件, 对拼接后的影像进行裁剪等处理, 裁剪时采用的底图为覆盖该研究区的边界矢量图。

1.2.2 气象数据

本文使用研究区内各气象站点 2000—2014 年旬平均气温、最高气温、最低气温以及旬平均降水量。主要的气象站点包括海拉尔站点, 新巴尔虎左旗站点, 新巴尔虎右旗站点, 鄂温克族自治旗站点,陈巴尔虎旗站点。数据来源于中国气象数据服务平台。

1.3 研究方法1.3.1 植被覆盖度遥感反演方法

首先, 采用像元二分模型[6]反演草原植被覆盖度, 公式为

(NDVI  Ndvisoil ) FVC  , (1) (NDVIVEG  Ndvisoil )

其中, NDVIVEG为全植被覆盖像元 NDVI 值, Ndvisoil为完全裸土的像元 NDVI 值。像元二分模型中, 两个必需参数的取值目前主要依靠对 NDVI 的数据统计。基于该研究区的土地利用数据, 计算每个单元NDVI 数据的频率累积值。经过反复实验对比, 土壤单元内取累积频率为 5%的 NDVI 作为 Ndvisoil,土地利用单元内取累积频率为 95%的 NDVI 值作为 NDVIVEG。最后, 依据式(1), 得到研究区 2000— 2014 年共计 343幅植被覆盖度分布图。

利用 MOD15 LAI 产品和平均孔隙率模型, 对像元二分模型进行初步间接验证。

对于连续、均匀的冠层, 假定其叶片随机分布,那么当一束光线穿过冠层时, 可以用 Poisson 模型

[8]计算孔隙率 。这里的孔隙率指像元内土壤所占(像元面积)的百分比(假设该混合像元主要由植被和土壤两种组分随机构成)。孔隙率计算公式如下:

exp Gi 

P(  )   LAI  , (2)

 i  Gi 函数表示的物理意义是: 在高度 Z 处, 叶面积体密度取 1 时, 向光子入射方向垂直面的平均投影值(假定叶子球形分布, 其取值为 0.5); i为太阳天顶角(可以通过查阅对应的元数据文档获得)的余弦值; LAI为植被的叶面积指数。对于水平方向均匀、垂直方向分层的连续植被, 视线或射线方向上的孔隙率只与天顶角有关[8]。

最终, 采用如下公式反演植被覆盖度:

 Gi  FVC 1  P (  ) 1  exp   LAI 。 (3)   i

为了验证像元二分模型的准确性和精度, 下载2014 年 7 月覆盖研究区的 MOD15 (LAI)数据产品,随机选取对应的特征草地覆盖区域, 与像元二分模型得到的结果进行对比验证, 得到两者间的植被覆盖度散点图(图 2)。可以看出, 两种模型得到的结果相关性较强(R2为 0.9847)。因此, 应用像元二分模型反演得到的植被覆盖度, 具有一定的准确性和可靠性。

1.3.2 植被覆盖度的趋势变化

[22]采用以下公式 对连续多年观测的草原最高植被覆盖度进行动态趋势变化分析:

n ni n n    Ci  i Ci slope  in in i , 2 n  2i   i   i i

其中, n 为监测的年数, Ci为第 i 年的草原植被覆盖度。利用式(4), 可以逐像元有效地求取多幅覆盖度影像数据中每个(特定)像元的灰度值(表征覆盖度值)在多幅连续影像时间序列数据中的变化趋势。θslope表征草原植被覆盖度随时间的变化程度, 其值可正可负: 正值表示草原植被覆盖度随时间呈现增加的趋势, 其值越大, 表征增加趋势越明显; 负值表示草原植被覆盖度随时间呈现减少的趋势, 其绝对值越大, 表征减少趋势越显著。

1.3.3 草原植被覆盖度时间序列

将历年草原植被覆盖度结果与土地利用覆盖数据相结合, 选取草地类别的特征像元, 分区域对草原植被覆盖度进行时间序列提取。对提取出的原始时间序列进行 S-G 滤波处理, 得到不同区域草原植被覆盖度的时间序列。将提取出的各区域历年平均草原植被覆盖度时间序列进行平均, 得到整个研究区历年平均草原植被覆盖度时间序列。利用时间序列趋势项提取算法, 进行时间序列的趋势项提取。1) S-G 滤波原理。Savitzky 等[23]提出 S-G 滤波器, 又称最小二乘法或数据平滑多项式滤波器。S-G 滤波的设计思想是, 找到合适的滤波系数 Pi , 以保护高阶距来实现滑动窗内的最小二乘拟合。基本原理是: 通过取点Xi 附近固定个数的点, 拟合一个多项式, 多项式在Xi 的值给出它的光滑数值 gi。基于 S-G 滤波原理,覆盖度时间序列数据的 S-G 滤波公式如下:

PY Yj *  i m ij i , (5)

N i m式中, Y*为合成序列数据, Yj+i表示原始序列数据,

j Pi为滤波系数, N为滑动窗口所包括的数据点数量(2M+1)。S-G 滤波可以有效地剔除时序中的背景噪声, 保留原始时间序列中真实的植被生长信息。因此, 为了最大程度地保证趋势项提取算法和时序异常检测算法的精度, 我们对原始时间序列做 S-G 滤波处理。2) 时间序列的趋势项提取算法。趋势项主要反映时间序列的长期变化。Assimakopoulos[24]提出 Theta 算法, 通过 Theta 变换,可将原始时间序列转换为反映长期趋势的新时间序列, 如式(6)所示:

图 1研究区边界示意图Fig. 1 Geographic outline of study area

图 2两种植被覆盖度反演结果的散点图Fig. 2 Scattering points of two results estimating FVC

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.