淮河流域NDVI周期性分析

摘 要：利用1982年1月到2006年12月的 AVHRR（Advanced Very High Resolution Radiometer） GIMMS（Global Inventory Monitoring and Modeling Studies） NDVI數據，應用經驗模態分解（EMD）方法，對淮河流域NDVI數據進行了周期分析。結果表明：淮河流域安徽段各站點SINDVI基本存在2～3a、9～10a、12～13a及15～16a的變化周期，其主要影響因子可能為氣溫和降水，而氣候因子的周期性變化主要受海-氣相互作用和太陽黑子活動的影響，進而影響植被的周期變化。

關鍵詞：NDVI；EMD；周期分析；氣候因子

中圖分類號 P343.1 文獻標識碼 A 文章編號 1007-7731（2013）10-116-02

目前，在全球變化研究領域中，利用遙感的方法對植被的動態變化進行監測，并且對植被的這種動態變化與氣候的關系進行分析，已成為一種重要方法。地表植被作為生態系統存在的基礎，是土壤和大氣間物質能量交換的重要環節，在地表能量交換和水分循環及地球生化循環中起著尤為重要的作用。植被-氣候關系具有很大的復雜性，其復雜程度主要是因為氣候的多變性。影響地表植被的因素包括氣候變化、施肥的效應以及土地利用的變化，在這些影響因素中，對植被有著最為直接和重要的因素就是氣溫和降水。因此，對植被—大氣之間的關系進行分析研究，有助于了解并預測全球氣候變化對未來陸地生態系統造成的影響[1]。陸地生態系統是巨大的，研究獲得的數據信息也是復雜多樣的，如果單憑人工獲取數據信息，不僅造成人力資源的浪費，而且獲取的數據時效性相對較低。遙感衛星因其獲取數據信息具有時空連續性和覆蓋范圍廣等優勢，已經成為獲取植被動態變化信息的可靠方法和有效數據源。因此，用遙感方法監測植被動態變化并以此分析這種變化與氣候之間的關系，已成為研究全球氣候變化的一個重要領域[2]。遙感植被動態研究中應用最為廣泛的影響因子就是歸一化植被指數[3]（Normalized Difference Vegetation Index，NDVI），它不僅能很好地反映出植被生長狀況和植被覆蓋度，而且也能對植被生長狀況、生物物理化學性質及生態系統參數的變化作出動態響應。

筆者利用1982年1月到2006年12月的AVHRR（Advanced Very High Resolution Radiometer） GIMMS（Global Inventory Monitoring and Modeling Studies） NDVI數據，應用經驗模態分解（EMD）方法，選取了淮河流域蚌埠、合肥、阜陽、宿州、六安共5個國家標準氣象站為分析站點，結合該區域的氣象數據，對同一時段淮河流域植被歸一化指數數據進行周期分析，并且研究了NDVI周期性與氣溫、降水周期性之間的關系。

1 材料與方法

1.1 研究區域概況 淮河流域是我國南北方的一條自然分界線，介于長江和黃河兩流域之間，位于E111°55′-121°25′、N30°55′-36°36′，面積為27萬km2。淮河以北屬暖溫帶區域，淮河以南屬北亞熱帶區域。安徽省位居淮河中游，境內流域面積達到6.7萬km2，地處南北氣候過渡帶，季風盛行，冬季干旱少雨，夏季炎熱多雨，旱澇災害往往交替出現，氣候變化脆弱敏感。

1.2 研究方法 研究方法主要采用經驗模態分解（EMD）方法。應用經驗模態分解（EMD）方法是一種全新的處理非平穩數據序列的方法，應用此方法主要有以下2個前提條件：（1）待分解的信號至少同時含有極大值和極小值2個極值點；（2）連續的2個極值點間的時間間隔決定了信號的時間特征尺度。EMD可將原始信號X（t）分解成一系列本征模態函數（IMF），IMF具有以下2個特征：（1）在整個數據長度中，極值點和過零點的數目必須相等或至多相差1個；（2）在任意數據點，局部極大值包絡和局部極小值包絡的均值必須為零。EMD分解過程主要步驟詳見文獻[4]。實際上，EMD的分解完全可以近似地認為就是對各個IMF分量進行提取的過程。在分解過程中，容易出現邊界問題，本研究采用鏡像延伸方法[5]很好地解決了EMD方法在分解過程中容易出現的上沖和下沖現象，取得了預期效果。

2 結果與分析

利用EMD方法對淮河流域合肥、蚌埠、阜陽、宿州、六安5個氣象站所在像元的SINDVI數據進行分析，獲得各個分站點的IMF分量。圖1是六安站SINDVI經過EMD分解后獲得的IMF分量。從圖1中可以看出，該序列經EMD分解后得到3個IMF分量及1個趨勢分量。IMF1表示一個2～3a的變化周期；IMF2表示一個9～10a的變化周期；IMF3表示一個15～16a的變化周期。表1是計算得到的各分量的方差貢獻率，IMF1貢獻率最大（57.19%），表明六安站SINDVI波動周期以2～3a為主。趨勢分量r呈上升狀態，表明在1982-2006年間，六安站的植被呈不斷增加趨勢（圖1）。

利用EMD方法對淮河流域其余各站SINDVI序列進行分析，得到各站的IMF分量，各分量所表示的周期如表2所示。從表2可以看出，1982-2006年期間，淮河流域安徽段各站點SINDVI基本存在2～3a、9～10a、12～13a及15～16a的變化周期；通過計算各站點IMF分量的方差貢獻率發現（表略），SINDVI波動周期均以2～3a為主，表明2～3a的周期為淮河流域安徽段植被變化的主要周期。

3 討論

已有的研究證明[6]，由于受到海-氣相互作用和太陽黑子活動的影響，氣候因子，尤其是氣溫和降水也存在著周期性變化。一般認為，地球上氣象要素變化的最基本周期為2～3a，而本文分析得出的5～6a、10～11a、15～16a的周期很可能與天體運動以及太陽黑子強弱變化的周期有關，有資料表明：太陽黑子的活動強弱和海-氣相互作用以及氣候要素的變化具有密切的關系，淮河流域水文氣象序列的變化規律很大原因是這種因素的影響。因此認為：影響淮河流域植被變化的重要因子就是氣溫和降水。本文利用經驗模態分解（EMD）方法分析了淮河流域植被指數的周期性，取得了較好的效果。但是，植被和氣候的變化規律極其復雜，影響淮河流域植被周期性變化的具體原因還有待進一步的深入研究。

參考文獻

[1]羅玲，王宗明，宋開山，等.1982-2003年中國東北地區不同類型植被NDVI與氣候因子的關系研究[J]. 西北植物學報，2009，29（4）： 800-808.

[2]趙英時. 遙感應用分析原理與方法[M]. 北京：科學出版社，2003.

[3]Rees M，Condit R，Crawley M，et al. Long-term Studies of Vegetation Dynamics[J]. Science，2001，293（5 530）： 650-655.

[4]Huang N，Shen Z，Long S，et al. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]. Proceedings： Mathematical，Physical and Engineering Sciences，1998，454（1 971）： 903-995.

[5]Zhao J and Huang D. Mirror Extending and Circular Spline Function for Empirical Mode Decomposition Method[J]. Journal of Zhejiang University-Science A，2001，2（3）： 247-252.

[6]楊建平，丁永建，陳仁升.長江黃河源區水文和氣象序列周期變化分析[J].中國沙漠，2005，25（3）： 351-355. （責編：徐世紅）