基于MODIS和NOAA數據尺度轉換的若爾蓋植被變化研究

馮文蘭, 鄭 杰

(成都信息工程大學 資源環境學院, 成都 610225)

?

基于MODIS和NOAA數據尺度轉換的若爾蓋植被變化研究

馮文蘭, 鄭 杰

(成都信息工程大學 資源環境學院, 成都 610225)

為獲得若爾蓋地區較長時間序列的遙感植被指數，采用重采樣技術和一元線性回歸方法實現了GIMMS NDVI和MODIS NDVI的空間尺度轉換和時間尺度外推。結果表明：(1) 不同重采樣方法對MODIS NDVI數據的影響與空間尺度有關，對GIMMS NDVI數據的影響則與空間尺度關系不大；(2) 空間分辨率2.5 km，對不同植被類型可建立GIMMS NDVI和MODIS NDVI數據的一元線性轉換關系，利用GIMMS NDVI擬合的結果與MODIS數據的差值統計符合正態分布；(3) 1982—2013年，以1998年為節點若爾蓋地區的植被先退化后逐漸恢復，盡管近幾年植被指數平均水平高于研究初期，但局部地區的植被退化形勢仍然比較嚴峻。

GIMMS NDVI; MODIS NDVI; 重采樣; 一元線性回歸; 若爾蓋

植被指數作為一種能反映地表植被生長分布和演化信息的特征參數，已經在環境、生態、農業等領域有了廣泛的應用[1-2]。隨著20世紀80年代以后各類陸地衛星的相繼發射，長時間序列的高分辨率遙感資料越來越豐富，長期地表覆蓋變化的監測也有了更多的數據來源[3]。但是，由于各個傳感器自身或區域觀測的目的不同，加之地面氣象因素等對傳感器成像的影響，使得單個傳感器對植被的監測具有很大程度上的“時空數據缺失”[4-6]。而在遙感監測植被變化的研究中，只有運用高精度、高質量、適用性強、長期連續的植被指數數據，才能準確、詳細、深入地分析植被變化的特征，揭示其變化規律。因此，不同傳感器植被指數數據之間的交互比較與相互轉換在國內外受到廣泛的關注[7-9]。在眾多的植被指數產品數據中，由于GIMMS數據是目前序列最長、數據最為完整的數據集，MODIS是目前種類最多的全球遙感產品數據集，因此，有不少學者利用兩者時間覆蓋的重疊在時間序列延長上做出了嘗試。劉良明等[10]對比了MODIS和AVHRR的NDVI指數，結果發現前者對植被信息的響應比后者更敏感；Van Leeuwen等[11]的研究發現MODIS影像反演的NDVI值要高于AVHRR影像的NDVI值；陳拉等[12]的研究也發現，MODIS和TM的NDVI值都比AVHRR高。Kevin等[13]對NOAA NDVI和MODIS NDVI數據的差異進行了詳細分析，并建立了農田、草地、常綠闊葉林、灌木、城鎮等類型NOAA NDVI和MODIS NDVI數據的關系模型。張宏斌等[14]采用統計學方法，以內蒙古自治區草原區為例，在宏觀尺度上根據MODIS NDVI和NOAA NDVI數據之間的相關關系建立了線性空間尺度轉換模型，取得了較好的應用效果。張戈麗等[15]通過對MODIS NDVI數據和GIMMS NDVI數據建立線性回歸方程對2007—2009年的GIMMS數據進行插補，延長了NDVI數據的時間序列，結合了呼倫貝爾周邊7個氣象站點的降水和氣溫資料，分析了1981—2009年近30年來呼倫貝爾地區草地植被變化與氣候變化的響應。

若爾蓋地區是青藏高原地區最為典型的濕地生態景觀區域，分析若爾蓋濕地的植被變化有助于更好地理解若爾蓋高原濕地的動態變化規律及其與氣候和人為驅動因素的關系，這對于研究青藏高原地區的生態環境變化具有重要的意義。嚴曉瑜等[16]通過對GIMMS NDVI和MODIS NDVI數據在若爾蓋濕地植被變化響應方式的差異性及在該區植被監測變化研究中的適宜性的對比分析中指出，盡管MODIS NDVI對若爾蓋植被較GIMMS NDVI敏感，但2種數據間不存在顯著差異，因而在若爾蓋濕地植被變化監測中都能發揮重要作用。然而，從現有研究來看，兩種數據在該地區之間的定量轉換關系尚不清楚。因此，本研究以若爾蓋地區為例，擬對GIMMS和MODIS的NDVI指數進行交互比較，查明二者之間的轉換關系，并在此基礎上實現NDVI指數產品的時間尺度外推，進而分析若爾蓋濕地地區近30年來的植被變化特征。

1　材料與方法

1.1研究區概況

若爾蓋高原濕地(33°10′—34°06′N，101°36′—103°25′E)地處青藏高原東部邊緣，海拔高度為3 300～3 600 m，素有“川西北高原的綠洲”之稱，是我國3大濕地之一。其總面積約為5.3萬km2，行政區域包括四川省內的若爾蓋縣、紅原縣、松潘縣、阿壩縣，甘肅省內的瑪曲、碌曲以及青海省內的久治縣等。本文的研究區域是若爾蓋濕地四川省內部分和甘肅省內部分，包括若爾蓋縣、阿壩縣、紅原縣、瑪曲縣、碌曲縣。

若爾蓋地區屬于大陸性季風氣候，具有高原寒帶濕潤氣候特征，冬長無夏，春秋季較短，冬季寒冷干燥。據統計，該區域的年平均氣溫為0.6～1.2℃，最高溫度為24.6℃，最低溫度為-33.7℃，1月最冷月的多年平均氣溫為-10.6℃，7月最熱月的多年平均氣溫為10.8℃。多年平均年降雨量約656.8 mm，降雨多集中在4月下旬至10月中旬，占全年總降雨量的86%左右。年日照時數約為2 389 h，年平均蒸發量約為1 232 mm，相對濕度約為71%。由于若爾蓋地區的氣候寒冷濕潤，蒸發較少，處于過濕狀態，有利于沼澤的發育，所以該地區形成了我國最大的高原沼澤區。其土壤長期浸泡在水中，溫度較低，潛育化程度較高，有機質氧化緩慢，有利于泥炭的形成，泥炭資源豐富。該區域的草地資源豐富，水源充沛，水草豐富，適合放牧，形成了我國3大草原牧區之一。

1.2數據基礎與處理

使用的NDVI數據包括GIMMS NDVI和MODIS NDVI兩種。GIMMS(Global Inventory Modeling and Mapping Studies)數據為美國馬里蘭大學GLCF(Global Land Cover Facility)研究組生產的全球準半月NOAA/AVHRR-NDVI數據(http:∥www.geodata.cn)，數據空間分辨率為8 km×8 km，覆蓋時間段為1981—2006年。MODIS數據為NASA terra 衛星傳感器提供的NASA/EOS MOD13 Q1級產品MODIS NDVI數據集(http:∥www.gscloud.cn/),數據時間分辨率為16 d，空間分辨率為250 m×250 m，時間覆蓋范圍從2000年至今。2組數據產品均已經過輻射校正和幾何校正，并采用最大值合成法處理，較好地消除了部分云、氣溶膠、太陽高度角和地物雙向性反射等干擾，保證了數據的質量。對MODIS NDVI產品首先采用MODIS Reprojection Tools(MRT)工具進行數據格式和投影坐標轉換，坐標系統與GIMMS NDVI數據一致。再對2組數據采用最大合成法，分別獲取年NDVI最大值數據集。

1.3研究方法

1.3.1GIMMS NDVI和MODIS NDVI 的空間尺度轉換為實現遙感數據的時間尺度外推，解決的關鍵問題是實現2組不同空間分辨率年最大NDVI數據集的空間尺度轉換，具體方法如下：(1) 以0.5 km為步長，依次設定像元大小為1，1.5，…，6.5，7 km，分別采用最鄰近插值、雙線性插值和三次卷積法，對2001—2006年(2組數據的重合時段)MODIS NDVI數據進行重采樣處理；(2) 設定相同的像元大小序列，采用同樣的方法得到2001—2006年GIMMS NDVI數據的重采樣圖像；(3) 考慮到不同植被類型對傳感器的響應不同，根據1∶100萬中國植被類型圖將研究區植被類型劃分為草甸、林地、灌叢、草原和高山植被5大類，分別對不同植被類型采用線性回歸方法建立對應空間尺度2種重采樣數據的擬合方程；(4) 根據2組對應空間尺度數據集相關系數的大小和重采樣數據的信息缺失分析結果，確定最優的空間轉換尺度和數據重采樣方法，利用建立的擬合方程對GIMMS重采樣數據進行轉換，計算對應MODIS重采樣數據與擬合數據的誤差，對擬合方法進行檢驗；(5) 在確定的空間尺度下，根據建立的擬合方程利用GIMMS數據對MODIS數據進行時間尺度外推，建立1982—2013年若爾蓋地區年最大NDVI數據集。

1.3.2若爾蓋地區植被變化的時空特征分析計算32年來研究區NDVI的年平均值，制作區域NDVI均值的年際變化曲線圖，分析研究區植被變化的年際特征。為消除偶然因素的影響，首先逐像元對年最大NDVI數據進行3年滑動平均處理。為進一步評估研究區植被變化的穩定性特征，逐像元計算32年NDVI年均值的變異系數，分析植被在時間序列上的穩定性及空間差異性。變異系數的計算公式如下：

(1)

2　結果與分析

2.1MODIS NDVI和GIMMS NDVI數據的轉換方法

2.1.1MODIS NDVI和GIMMS NDVI數據的相關性分析考慮到不同傳感器獲得的相同地表參數通常為一元線性關系[14,17]，采用一元線性回歸分析方法分別計算2種數據在13個空間分辨率下117種不同重采樣數據組合(每個像元尺度下9種組合)的相關系數。

表1為像元大小為2.5 km時以植被類型統計的不同重采樣數據組合的相關系數, 由表1可以看出：(1) 對不同的植被類型而言，草甸和灌叢的擬合結果在所有的組合中都顯著相關，且通過p<0.001的置信水平檢驗，相關系數的大小受重采樣方法的影響；高山植被的相關系數也能通過顯著性檢驗，置信水平大致隨空間分辨率的降低而降低；林地的相關系數總體比前3種植被類型偏低，除了2.5 km分辨率下置信水平較高外，其余置信水平都沒有通過顯著性檢驗；草原的相關系數顯著性檢驗合格的組合較少，數據的相關性較明顯地受MODIS重采樣方法的影響，空間尺度變化對其影響不明顯；(2) 對不同的空間分辨率而言，像元大小為2.5 km時各組數據的相關性明顯優于其他。另外，重采樣方法組合不同，各種植被類型2組數據的相關系數大小有一定的差異。草原有3種重采樣組合方法不能通過相關性檢驗，其余6種能通過p<0.1置信水平檢驗。其他類型的2組數據的相關性都能通過顯著性檢驗；(3) 對不同的重采樣方法而言，2組數據相關性的大小明顯受像元大小和植被類型的影響。在2.5 km像元大小下，使所有植被類型的2組數據都能通過相關系數顯著性檢驗的重采樣方法組合包括：當GIMMS NVDI采用三次卷積法時，MODIS NDVI采用任一方法；當GIMMS NVDI采用最鄰近插值法，MODIS NDVI采用三次卷積或雙線性插值；當GIMMS NVDI采用雙線性插值時，MODIS NDVI采用三次卷積方法。

表1　2.5 km像元尺度下不同重采樣方法組合的2種數據的相關系數

注：***表示在0.001置信水平上顯著，**表示在0.01置信水平上顯著，*表示在0.1置信水平上顯著，下表同。

2.1.2不同重采樣處理對2組數據集的信息量影響分別計算MODIS NDVI和GIMMS NDVI數據在不同分辨率下3種重采樣處理后的標準差和灰度值范圍。標準差反映了影像灰度相對于灰度平均值的離散情況，標準差越大，說明影像灰度級分布分散，所包含的信息量越大。圖像灰度值范圍為最大DN值與最小DN值的差，反映圖像灰度值的變化程度，DN范圍越大，說明數據的離散度越大，所包含的信息量越大。圖1揭示了不同空間分辨率及重采樣方法對原始圖像信息量的影響：(1) 對MODIS NDVI數據而言，3種重采樣方法處理后標準差大小排序為最鄰近插值>三次卷積>雙線性內插，各方法標準差的大小隨分辨率的變化規律相似，像元大小為4.5 km時圖像標準差最大，小于4.5 km時同一重采樣方法處理下的標準差大小差異不明顯，超過4.5 km后標準差基本隨尺度降低而減小。圖像DN值范圍在分辨率較高時以三次卷積處理較大，當像元大小超過3 km后以最鄰近插值較大，雙線性內插處理始終最小，3種方法處理下DN值范圍基本隨尺度降低而減小；(2) 對GIMMS NDVI數據而言，圖像標準差的大小仍然以最鄰近插值>三次卷積>雙線性內插，分辨率為7 km時3種方法下的標準差均最大，分辨率>4 km時標準差基本隨尺度降低而逐漸減小，分辨率<4 km時尺度大小對標準差的影響不明顯。圖像DN值范圍與不同處理方法以及尺度大小的關系基本與標準差的結果一致。以上結果說明，就重采樣方法而言，雙線性內插方法對2組數據的信息量的損失都較大；就空間尺度而言，尺度降低越多MODIS NDVI數據信息量損失越大，尺度增大則對GIMMS NDVI數據的信息量影響不明顯。

圖1　不同空間尺度下MODIS和GIMMS數據不同重采樣處理的標準差和灰度范圍

2.1.3GIMMS NDVI和MODIS NDVI數據的轉換模型 綜合以上分析，得出2組數據集擬合的最佳方案為：空間分辨率為2.5 km，GIMMS NDVI數據采用最鄰近插值法，MODIS NDVI數據采用三次卷積插值法，原因有以下3點：(1) 在該方案下，5種植被類型的數據相關系數均能通過顯著性檢驗；(2) 最鄰近插值法和三次卷積插值法對MODIS NDVI圖像信息量的影響較小，最鄰近插值法對GIMMS圖像信息量的影響最小；(3) 對MODIS NDVI數據而言，采用三次卷積插值法將空間分辨率從0.25 km降低到2.5 km，圖像標準差和灰度范圍減小都不大，且空間分布格局的變化相對較小，能基本保持地物NDVI值的變化特征。而采用最鄰近插值法將GIMMS NDVI數據的空間分辨率從8 km增大到2.5 km，對圖像標準差和灰度范圍的影響都不大。考慮到MODIS NDVI對若爾蓋植被較GIMMS NDVI敏感[16]，所以選擇由GIMMS NDVI向MODIS NDVI進行尺度轉化的方式，得到若爾蓋地區不同植被類型GIMMS NDVI和MODIS NDVI數據的轉化模型，如表2所示。結合研究區植被類型分布圖可知，2組數據的相關關系與植被類型的斑塊格局有關，面積較大且分布較集中的情況下，2組數據的相關性更好。

2.1.4MODIS NDVI和GIMMS NDVI數據轉換的誤差分析為驗證GIMMS NDVI擬合MODIS NDVI數據的精度，采用表2的回歸方程利用GIMMS最鄰近插值后的數據擬合MODIS NDVI數據，逐像元分別統計2001—2006年共6期2.5 km像元尺度擬合數據與MODIS NDVI三次卷積法重采樣數據的差值。擬合數據與原始數據的差值統計結果顯示，每期數據的差值分布都符合正態分布特征，且差值分布曲線圖比較接近。以數據差值為橫坐標，以像元個數為縱坐標，繪制2006年擬合數據與原始數據差值的正態分布圖(圖2A), 可以看出，差值大致符合正態分布，說明數據擬合是合理的。進一步以絕對值0.05為步長，統計誤差的概率分布特征(圖2B)，可以發現：絕對誤差在±0.05以內的像元比例為67.01%，在±0.10以內的像元比例達91.96%。以上一致性檢驗結果表明，通過該方法利用GIMMS NDVI數據擬合的NDVI數據可以用于MODIS NDVI數據的時間尺度外推。

表2　不同植被類型MODIS NDVI與GIMMS NDVI

圖2　GIMMS擬合數據與MODIS數據的像元一致性檢驗

2.2若爾蓋地區近30年的植被變化特征分析

2.2.1若爾蓋濕地植被指數的時間變化分析從3年滑動平均處理后的近30年若爾蓋地區年最大NDVI均值的年際變化曲線(圖3)可以看出，1983—2012年若爾蓋地區植被指數的變化具有以下特點：(1) 研究末期的NDVI值略高于研究初期階段，說明近年來該區域植被生長狀況總體上好于20世紀80年代；(2) NDVI指數的變化明顯分為2個階段，1983—1998年NDVI均值大致呈減小的趨勢，1999年以后NDVI均值大致呈增加的變化趨勢，反映出第1個階段研究區生態環境不斷退化，第2階段生態環境得到了較好的恢復；(3) 2個階段的植被變化過程中，第1階段的植被退化過程較穩定，線性擬合曲線的R2值較大，第2階段的植被恢復過程則變化較復雜，線性擬合曲線的R2值較小；(4) 在第1階段的1987—1989年研究區生態退化得到了短暫的恢復，而在第2階段中則經歷了2001—2003年和2006—2008年2次明顯的生態退化過程。

2.2.2若爾蓋地區植被變化的空間分析逐像元計算1982—2013年的年最大NDVI值的變異系數，如圖4A所示，若爾蓋地區在近32年間植被指數的空間變異系數整體相對較小。統計結果顯示，變異系數小于0.1的像元數約占總數的97.02%，其中，像元的CV值為0.02≤CV<0.04，0.02≤CV<0.04的分別占總數的60.99%和27.09%。CV值在0.3以上的僅占總數的0.30%，其中，變異系數超過0.1的區域主要分布在3處：瑪曲縣的西梅朵合塘草原、若爾蓋縣中部和阿壩縣的阿曲河周邊地區。

圖3　1983-2012年若爾蓋地區NDVI均值的年際變化

考慮到植被指數以1998年為節點呈現出不同的變化趨勢，分別統計1982—1998年、1999—2013年2個時段研究區各年份年最大NDVI的均值，并計算2個時段NDVI的差值(后1階段減去前1階段)。如圖4B所示，1998年以后，若爾蓋地區植被指數以小幅度增大(0≤NDVI差值<0.1)為主，其次為小幅度減小(-0.1≤NDVI差值<0)，分別占整個研究區像元總數的65.97%和30.20%。植被指數增大較多(NDVI差值≥0.1)的像元數所占比例不及1%，在研究區內零星分布。植被指數減小較多(NDVI差值<-0.2)的像元數也較少，其分布范圍與年最大NDVI值的變異系數較大(CV>0.1)的像元分布比較一致，這說明前后2個階段區域植被變化方向的差異主要決定于這些地區的植被退化。

綜合以上兩方面的分析可知，1982—2013年若爾蓋地區植被變化的主要特征是部分地區的植被生長狀況向良好的方向發展，但整個區域的植被退化并未得到有效控制，尤其是局部地區的植被退化日趨嚴重。植被指數增加的區域多以灌叢、高寒沼澤等蓋度較高的植被覆蓋類型為主，始于上個世紀末的“若爾蓋濕地國家級自然保護區”的建立以及隨后的一系列退耕還林還草、生態治理工程項目的相繼開展與實施可能是其生態環境向良好方向發展的主要原因。植被指數減少的部分多以高寒草甸、雜類草草甸和高山稀疏植被為主，草原畜牧業平穩發展、近年來旅游業的快速發展以及區域氣候的暖干化可能是造成這些區域植被退化的主要原因。

圖4　NDVI變異系數和1998年前后NDVI的差值分布

3　結論與討論

(1) 分別采用最鄰近插值、雙線性插值和三次卷積法，基于GIMMS和MODIS重合時段的NDVI產品數據，獲得了不同空間尺度的數據集。盡管由于未考慮研究要素空間相似性的空間變異，采用重采樣方法進行尺度轉換的效果不如其他方法，但因其計算方法簡單、快捷，且被主流GIS軟件支持[18]，因而遙感影像空間分辨率重采樣仍然是像元光譜內多尺度轉換的常用方法[19]。研究區處理后圖像的標準差和灰度值范圍分析表明，在相同空間尺度下，重采樣方法對GIMMS和MODIS數據的影響相似；在考慮空間尺度差異時，重采樣方法對MODIS數據的影響與尺度有關，而GIMMS數據則與尺度關系不大。雙線性內插處理造成的2組數據的信息損失都較大；MODIS數據在尺度降低較多時以最鄰近插值處理影響相對較小，尺度降低較少時以三次卷積處理影響較小，尺度降低越多信息量損失越大；最鄰近插值對GIMMS數據的信息損失在所有空間尺度下都最小，空間尺度增大對信息量變化的影響不明顯，尤其在空間分辨率增大較多的情況下。這與張周威等[20]通過對HJ-1A/B，QuickBird-2衛星數據和機載AVIRIS高光譜數據進行重采樣后比較得出的結論一致，重采樣后影像空間分辨率降低使重采樣后影像的方差減小，而重采樣后空間分辨率提高對影像的信息量影響非常小。

(2) 利用GIMMS NDVI和MODIS NDVI空間數據的統計關系建立了若爾蓋地區兩種數據的定量轉換關系[21-22]。由于2種數據都是表征植被生長狀況的指數，只是傳感器類型不同，因而兩者為一元線性關系[17]。研究結果表明，若爾蓋地區GIMMS NDVI和MODIS NDVI數據的定量轉換關系不僅與空間尺度有關，還與植被類型的空間分布有關，面積較大而分布相對連片的植被類型2組數據的相關性更好。這與胡云鋒等[23]在內蒙古地區開展的土地利用數據空間尺度上推的研究結論一致，土地斑塊的平均面積、形態以及空間分布格局對空間尺度上推成果精度有著重要的影響。植被類型為草甸、灌叢、高山植被時，2組數據都顯著相關，相關系數的大小受重采樣方法的影響甚于空間尺度；植被類型為草原時，2組數據的相關關系不穩定，與MODIS數據重采樣方法有一定關系；林地的圖斑數較少，且分布比較零散，2組數據僅在空間分辨率為2.5 km時通過相關性顯著檢驗。最后，在尺度轉換誤差分析和相關系數比較的基礎上，確定基于植被類型的GIMMS NDVI和MODIS NDVI的轉換方法，誤差分析的結果表明該方法可用于MODIS NDVI數據的時間尺度外推。

(3) 利用GIMMS數據根據擬合方程延長了MODIS數據的時間序列，NDVI的時間變化和空間差異分析結果表明，近30年若爾蓋地區以1998年為節點植被先退化后逐漸恢復。盡管近年來植被指數平均水平高于20世紀80年代初，但局部地區的植被退化日趨嚴重，使得整個區域的生態退化并未得到有效遏制。王文麗等[24]利用MSS，TM和ETM數據對若爾蓋高原1975—2005年30年間沙地的監測結果也發現，1990—2000年該地區沙地面積增長迅猛。鄧茂林等[25]基于TM圖像解譯的若爾蓋地區景觀格局變化和驅動力的研究也指出，若爾蓋國家級自然保護區建立前景觀退化，保護區的建立對生態環境保護起到了一定的積極作用，但濕地退化的趨勢仍然沒有得到遏制。但由于TM數據成像時間和周期的限制，以上研究得出的結論均以2000年為時間節點。這也說明本研究采用時間分辨率更高的遙感影像有助于更準確地分析植被變化過程，長時間系列數據的獲得也有助于將其作為常規的監測手段為全球變化的研究提供基礎[4]。

[1]Villa P, Mousivand A, Bresciani M. Aquatic vegetation indices assessment through radiative transfer modeling and linear mixture simulation[J]. International Journal of Applied Earth Observation and Geoinformation,2014,30(9):113-127.

[2]Shamal S A M, Weatherhead K. Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping[J]. Outlook on Agriculture,2014,43(2):109-114.

[3]馬明國,王建,王雪梅.基于遙感的植被年際變化及其與氣候關系研究進展[J].遙感學報,2006,10(3):421-431.

[4]馬明國,宋怡,王旭峰,等.AVHRR,VEGETATION和MODIS時間系列遙感數據產品現狀與應用研究進展[J].遙感技術與應用,2012,27(5):663-670.

[5]劉睿,孫九林,張金區,等.中國北方草地覆被的HJ星NDVI校正研究[J].草業學報,2011,20(1):189-198.

[6]祁建春,李洪建,李莘莘,等.HJ-1-CCD與MODIS數據的NDVI比較分析[J].遙感信息,2013,28(3):44-49.

[7]徐涵秋,張鐵軍.ASTER與Landsat ETM+植被指數的交互比較[J].光譜學與光譜分析,2011,31(7):1902-1907.

[8]李麗,顧行發,葉澤田,等.不同衛星載荷探測NDVI性能差異分析及變換參數確定[J].中國科學:地球科學,2012,42(2):238-245.

[9]Steven M D, Malthus T J, Xu H, et al. Intercalibration of vegetation indices from different sensor systems[J]. Remote Sensing of Environment,2003,88(4):412-422.

[10]劉良明,梁益同,馬慧云,等. MODIS和AVHRR植被指數關系的研究[J].武漢大學學報:信息科學版,2004,29(4):307-310.

[11]Van Leeuwen W J D, Orr B J, Marsh S E, et al. Multi-sensor NDVI data continuity: Uncertainties and implications for vegetation monitoring applications[J]. Remote Sensing of Environment,2006,100(1):67-81.

[12]陳拉,黃敬峰,王秀珍.不同傳感器的模擬植被指數對水稻葉面積指數的估測精度和敏感性分析[J].遙感學報,2008,12(1):143-151.

[13]Kevin G, Lei J, Brad R, et al. Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data[J]. Remote Sensing of Environment,2005,99(3):221-231.

[14]張宏斌,楊桂霞,李剛,等.基于MODIS NDVI和NOAA NDVI數據的空間尺度轉換方法研究:以內蒙古草原區為例[J].草業科學,2009,26(10):39-45.

[15]張戈麗,徐興良,周才平,等.近30年來呼倫貝爾地區草地植被變化對氣候變化的響應[J].地理學報,2011,66(1):47-58.

[16]嚴曉瑜,董文杰,何勇.不同傳感器數據在若爾蓋濕地植被變化監測應用中的適宜性分析[J].遙感技術與應用,2008,23(3):300-304.

[17]韓佶興,王宗明,毛德華,等.1982—2010年松花江流域植被動態變化及其與氣候因子的相關分析[J].中國農業氣象,2011,32(3):430-436.

[18]胡云鋒,徐芝英,劉越,等.地理空間數據的尺度轉換[J].地球科學進展,2013,28(3):297-304.

[19]孫小芳.植被光譜及其尺度轉換研究進展[J].遙感信息,2014,29(1):108-114.

[20]張周威,余濤,孟慶巖,等.空間重采樣方法對遙感影像信息影響研究[J].華中師范大學學報:自然科學版,2013,47(3):426-430.

[21]周覓,張杰林.遙感影像尺度轉換及最優尺度選擇探討[J].世界核地質科學,2011,28(2):94-98.

[22]欒海軍,田慶久,余濤,等.基于分形理論的NDVI連續空間尺度轉換模型研究[J].光譜學與光譜分析,2013,33(7):1857-1862.

[23]胡云鋒,徐芝英,劉越,等.空間尺度上推方法的精度評價:以內蒙古錫林郭勒盟土地利用數據為例[J].地理研究,2012,31(11):1961-1972.

[24]王文麗,董治寶,胡光印,等.若爾蓋高原近30年沙地變化趨勢分析[J].中國沙漠,2008,28(4):617-621.

[25]鄧茂林,田昆,楊永興,等.高原濕地若爾蓋國家級自然保護區景觀變化及其驅動力[J].生態與農村環境學報,2010,26(1):58-62.

Analysis on Vegetation Change in Zoige Region by the Scale Transformation Method Based on MODIS and NOAA DATA

FENG Wenlan, ZHENG Jie

(CollegeofResourcesandEnvironment,ChengduUniversityofInformationTechnology,Chengdu610225,China)

In order to obtain a longer time series vegetation index in Zoige Plateau Wetland, spatial conversion and time extrapolation of GIMMS NDVI and MODIS NDVI were obtained by the method of image resampling and unitary linearity regression. The results showed that: (1) spatial scale was related to the influence of resampling methods for MODIS NDVI data, while it was hardly related to the GIMMS NDVI resampling data; (2) at 2.5 km per pixel resolution, the regression equation of different vegetation types between the two kinds of data was set up, the difference between the fitting results by GIMMS NDVI and MODIS NDVI conformed to normal distribution; (3) from 1982 to 2013, the vegetation in the study area degraded before gradual recovery, and the year of 1998 was the turning point, although the average level of vegetation index was higher than that in the early 1980s, local vegetation degradation situation was still serious.

GIMMS NDVI; MODIS NDVI; resampling; monadic linear regression; Zoige Plateau Wetland

2015-03-05

2015-07-09

國家自然科學資助項目“氣候變化和人類活動對岷江上游生態脆弱性相對作用的研究”(41301653)

馮文蘭(1979—),女,四川成都人,博士,教授,主要從事資源環境遙感研究。E-mail:fwl@cuit.edu.cn

S127

A

1005-3409(2016)03-0297-07