基于地學信息圖譜的重慶巖溶石漠化植被恢復演替研究

鄭惠茹, 羅紅霞, 鄒揚慶, 程玉絲, 張 銳

西南大學, 地理科學學院, 重慶 400700

?

基于地學信息圖譜的重慶巖溶石漠化植被恢復演替研究

鄭惠茹, 羅紅霞*, 鄒揚慶, 程玉絲, 張 銳

西南大學, 地理科學學院, 重慶 400700

重慶巖溶石漠化區的植被恢復演替動態變化研究對于該地區的石漠化治理和生態恢復具有十分重要的指導意義。而多時相的遙感數據和地學圖譜分析法為植被恢復的研究提供了一種動態性和綜合性的研究方法。以重慶市中梁山的典型植被恢復區為例,在基于1996、2001、2007和2013年4期遙感影像解譯分類的基礎上,采用“空間代替時間”的生態學植被演替研究方法,建立重慶市中梁山區退耕還林前后的植被恢復演替圖譜,并結合地學圖譜的相關分析方法,得到該區的植被恢復演替動態格局演變規律,體現了空間信息科學技術、生態學方法和地學信息圖譜分析法在植被恢復演替研究中的有效結合。結果表明：(1)運用BP神經網絡和BP算法進行分類,分類精度達到87.42%,比傳統監督分類提高了5.57%。(2)自2002年全國范圍內的“退耕還林(草)”工程全面啟動后,該區域植被恢復演變特征明顯,耕地面積明顯減少而植被面積明顯增加。(3)從2001—2013年,植被演替在該時期內依然存在著進展演替和逆向演替兩個方向。雖然逆向演替比例僅占到18.63%,但它卻使該區的演替研究變得復雜。(4)質心反映了各植被類型在恢復演替過程中的聚散與遷移,1996—2013年,馬尾松群落和落葉闊葉林群落的質心變化較小,其他植被群落的質心都有很明顯的變化。

巖溶石漠化；植被演替；多時相遙感影像；地學信息圖譜；格局演變

巖溶石漠化現象是我國南方熱帶巖溶地區嚴峻的生態問題,據資料統計,截止2005年底,南方石漠化土地的總面積為12.96萬km2[1],占該地區巖溶面積的28.7%。地學信息圖譜是在繼承中國傳統圖譜研究成果的基礎上運用先進技術獲取及其豐富的信息源,并以數據庫為依托,通過交互式的操作系統,顯示事物或現象的三維圖形或空間動態變化,并建立相關模型的地理時空分析方法論[2- 4]。繼1998年陳述彭院士提出地學信息圖譜的思想后,地學信息圖譜無論是從理論、方法還是應用中都逐漸深入和成熟,其主要研究主要集中在對土地利用的時空動態格局演變[5- 7]、城市空間的擴展研究[8-9]、生態景觀的格局演變[10-11]和自然災害的宏觀分析和預測[12-13]等方面。國內外學者對植被群落演替的研究大都集中在使用單一技術手段來對演替的現象、規律和生理生態特性的研究,使用空間信息科學技術與生態學研究方法結合的較少；對中梁山的植被恢復研究也主要集中在使用生態學的方法對其生態恢復重建模式的研究。本研究在巖溶石漠化植被恢復區植被演替研究中引入地學信息圖譜的相關理論方法,在獲取1996、2001、2007和2013年4期遙感影像的基礎上,結合野外實地所獲取的高光譜數據,采用加入高程數據的神經網絡分類方法對四個時相中不同的植被群落類型進行分類,并結合地學圖譜的相關分析方法[14-16],探討了中梁山植被演替時空變化規律,實現了空間-屬性-過程的一體化,能夠定量和直觀地反映植被恢復過程中的演替時空變化規律。為生態工作者在植被恢復研究方面提供新的研究手段和技術方法,為研究區退化生態系統的恢復、重建與生態工程實施給予理論指導。

1 研究區域與數據來源

1.1 研究區概況

為了探討重慶市巖溶植被恢復區植被的演替規律與特征,本研究選取了位于重慶市市區北部的中梁山(106°18′14″—106°56′53″E,29°39′10″—10°3′53″N)約7354.8 hm2范圍作為研究區域,該區域植被群落類型比較豐富,是石漠化植被恢復具有代表性的區域(圖1)。中梁山是川東平行嶺谷主體山脈華鎣山的三條支脈之一,年均溫18℃,年均降水量1000—1300 mm,屬于亞熱帶濕潤季風氣候,相對濕度大；海拔400—700 m,坡度0—40°,屬于中低山丘陵地區。由于中梁山缺土、缺水和偏堿性的巖溶環境導致該地區植物種多具有耐旱、石生和喜鈣的特性。其中,中梁山軸部以旱生、喜鈣性植物種類為主,如五節芒、黃花蒿等以及一些散生的落葉喬木樹種,主要植被類型包括草叢、灌草叢、藤刺灌叢和喬幼灌叢。兩翼以馬尾松林和杉木次生林為主,形成較大面積的常綠針葉林和針闊混交林。竹林主要分布于居民居住區附近和山麓地區。

圖1 研究區地理位置Fig.1 Location of the research area

1.2 數據資料及其來源

考慮到8月份是該地區植被生長比較茂盛的時期,因此本文選取了1996年8月20日、2001年8月2日、2007年8月19日的Landsat TM影像和2013年8月19日的Landsat OLI影像共4期遙感影像作為基本數據,所有影像的軌道號均為128/39。影像數據來源于中國科學院計算機網絡信息中心國際科學數據鏡像網站(http://www.gscloud.cn)。其他數據包括：美國Analytical Spectral Devices公司生產的FieldSpec HandHeld 便攜式光譜儀結合手持GPS機于2013年10月1—10日野外實測的主要植被群落的地物波譜數據,主要用于支持遙感圖像的解譯；吳征鎰《中國植被》分類系統、1∶400萬中國植被圖分類系統、中國1∶100萬陸地地表覆被分類系統和林業相關部門的森林資源調查專題矢量圖和野外實測數據主要用于植被類型的確定和遙感影像的解譯；重慶地理信息公共服務平臺提供的大比例尺高清航拍影像圖以及Quickbird高空間分辨率衛星影像圖等主要用于后期的輔助解譯和精度校準。

2 研究方法

2.1 植被分類信息提取

(1)數據的預處理

首先進行傳感器端的輻射定標(獲得地物的輔亮度圖)、大氣校正(獲得地物實際反射率圖)、圖像增強處理和研究區裁剪等,并選用基于輻射傳輸理論的MODTRAN模型進行大氣校正；然后用ViewSpecPro軟件對野外采集的各個群落類型樣本的地物波譜數據進行預處理并重采樣到與遙感影像可見光-近紅外-短波紅外(450—900 nm)一致的波段；結合重采樣后的高光譜曲線特征和野外實測的影像像元光譜的特點,最后選擇OLI563(RGB)、TM452(RGB)波段進行假彩色影像合成,能明顯地突出具有巖溶地質背景的地貌景觀和不同用地類型的色調差異和紋理信息。

圖2 研究區植被群落調查樣方分布圖Fig.2 The distribution of plots in research area

(2)分類方案的獲取

參考吳征鎰《中國植被》分類系統、1∶400萬中國植被圖分類系統、中國1∶100萬陸地地表覆被分類系統和本次研究重點即重慶中梁山巖溶石漠化區的植被恢復演替研究,并結合對野外實測光譜數據的光譜特征分析,最終確定研究區的遙感分類為：Ⅰ暖性針葉林：馬尾松林、柏木林、杉木林；Ⅱ竹林：慈竹林；Ⅲ亞熱帶常綠落葉闊葉林(栓皮櫟林、板栗林等)；Ⅳ針闊混交林；Ⅴ灌叢(酸性土和堿性土上的常綠灌叢、矮林,常綠闊葉落葉喬幼灌叢,以及灌草叢)；Ⅵ草叢共5大類8小類。其余的非植被包括耕地、人工建筑、采石場、水體4類。

(3)遙感圖像的解譯分類

人工神經網絡是大量簡單神經元聯接而成的非線性復雜網絡系統并大量應用于遙感影像的分類研究[17]。本研究選擇具有三層網絡結構的BP神經網絡模型,包括輸入層、隱含層和輸出層三層拓撲結構。BP算法通過網絡對樣本數據的自學習和利用學習結果對整個影像數據進行分類兩個階段來實現。首先,在訓練樣本選取的基礎上確定網絡系統,對相關控制參數和樣本進行輸入。根據2013年OLI多光譜數據的波普特性,分別選取OLI3、5、6波段為輸入層節點,輸出層節點數目設置為分類方案中的地物類別數即12,隱含層的節點數目選擇從6開始并根據網絡訓練來不斷調整。傳遞函數采用logistic非線性函數,訓練學習的樣本數據采用傳統監督分類時的樣本數據,控制參數主要包括學習率(0,1)、動量因子(0,1),權值和閾值的初始化根據經驗值隨機設定。經過大量的學習和相關參數的多次調整,最終確定在學習率η=0.2、動量因子α=0.9、訓練1500次和隱含層為1時,達到多次調整后的較佳精度。由于精度的局限性,在之后的試驗中,嘗試使用OLI2、3、4、5、6、7波段為輸入層節點,并分別加入可能影響分類精度的陰影影響參數RA5/4(OLI5/OLI4)和RA7/3(OLI7/OLI3)、紋理特征值(均值、方差、均勻值、對比度、相異性和熵)、高程、坡度、坡向等因子分別進行試驗；然后,在保證小類別有足夠的分析點的前提下,采用簡單隨機采樣法對隨機樣本進行采樣。

(4)精度評價

驗證樣本主要來源于研究區野外實地調查所收集到的實測資料,植被群落調查樣方如圖2,林業部門所提供的研究區森林資源調查專題矢量圖和Quickbird高空間分辨率衛星影像圖以及2012年中梁山土地利用現狀圖,通過經緯度定位和目視判讀選定2106個檢驗樣本并一一確定像元點的實際類別；最后,采用混淆矩陣對分類結果進行定量評價。結果表明,運用加入高程數據的神經網絡分類方法對4個時相中不同的植被群落類型進行分類所取得效果最好,分類總精度達到87.42%,總體精度比傳統監督分類的結果提高了5.57%,分類混淆矩陣如表1。使用同樣的分類方法對前3期影像進行解譯分類,最終分類結果如圖3。

2.2 巖溶區植被演替圖譜分析方法

(1)地學信息圖譜分析法

表1 加入DEM的神經網絡分類誤差矩陣

總體精度=87.4236% Overall accuracy=87.4236%; Kappa 系數=0.85Kappa coefficient=0.85;Pi:馬尾松 Pinus massoninana；Ch:杉木 Chinese fir；Ka:柏木 Kashiwagi；Ba:竹林 Bamboo forest；Br:闊葉林 Broad forest；Sh:灌叢 Shrub；Co:針闊混交林 Coniferous and broad-leaved mixed forest；Gr:草叢 Grass；Ac:人工建筑 Artificial construction；Qu:采石場 Quarry；Wa:水體 Water area；Al:耕地 Arable land

地學信息圖譜以圖像、圖表的形式來反映事物和現象的形態結構、成因機制、動態變化等綜合性、復雜性的規律[2-4,18-19]。圖譜單元是將不同時刻所采集到的空間數據進行融合或代數運算從而得到的空間、時間和屬性等一體化的數據[20]。

(2)轉移矩陣法

轉移矩陣可以定量化地識別不同地類在不同時間上的空間格局變化。在圖譜的基礎上通過ArcGIS軟件進行數據的融合、疊置分析、面積的計算和轉移矩陣的制作等,得到定量化的圖譜變化數據。轉移矩陣的數學表達式如下：

(1)

(2)

式中,Pij表示地類i轉變為地類j的轉移量,Ai表示t1時期第i種地物類型的面積；Bj表示t2時期第j種地物類型的面積。

(3)質心遷移法

地類分布質心的變化情況可以反映在一定歷史發展時期中地類在空間上的聚散與遷移[12]。質心坐標的計算公式如下：

(3)

式中,Xt、Yt分別表示在t年某地類分布區域的質心坐標,Cti表示在t年某地類分布區域第i斑塊的面積,Xi、Yi分別表示在t年該地類第i斑塊的質心坐標。分布質心遷移距離采用歐氏距離來量算。

3 結果與分析

3.1 植被群落面積變化分析

經過對多源數據的處理分析,得到植被群落的面積變化(圖4)和變化幅度情況(圖5)。從圖中可知：(1)在1996年,耕地和馬尾松在研究區內所占的比重相對較大(分別占研究區總面積的29.50%和24.52%),而2013年,馬尾松、耕地、灌叢和闊葉林所占比重較大(分別占研究區總面積的28.16%、19.98%、20.55%和15.01%)；(2)1996—2001年間,馬尾松、闊葉林、竹林、灌叢4種主要植被的面積均呈減少趨勢,發生了逆行演替的現象。其中竹林減少幅度最大(較1996年減少了57.32%),馬尾松、闊葉林和灌叢次之,這主要與人們對竹林和松林的砍伐有關,從這個時期的草本群落的明顯增加也可以看出。自2002年“退耕還林”工程全面啟動后,植被恢復工作成果顯著,在2001—2007年之間,馬尾松面積增加幅度最大(較2001年增加了15.49%),2007—2013年灌叢增加幅度最大(較2007年增加了111.00%),而同時這兩個階段里耕地的減少幅度最大。(3)退耕還林后即2001—2013年,植被群落中馬尾松、灌叢和闊葉林呈增加的趨勢且增加幅度大小依次是灌叢>馬尾松>闊葉林；而柏木、針闊混交林、竹林和草地呈減少的趨勢且減少幅度大小依次是草叢>竹林>柏木>針闊混交林。

圖4 研究區主要植被群落及非林地面積變化圖Fig.4 The variation map of the main vegetation communities and nonforest in the study area

圖5 不同覆被類型面積在3個階段中的變化幅度Fig.5 The change of different cover types are in three stages

3.2 植被恢復演替系列圖譜分析

圖6 植被群落演替圖譜(2001—2013年)Fig.6 The succession map of main vegetation communities (2001—2013)

在遙感影像地物信息提取的基礎上,構建了研究區退耕還林后(2001—2013)植被恢復演替變化圖譜(圖6),并根據地表覆被類型轉移矩陣制作了研究區主要植被群落變化圖譜單元排序表(表2)。結合圖表的信息可知：在該時期內,研究區地表覆被發生變化的總面積為3862.62 hm2,變化區域和未變化區域呈斑塊狀交錯分布,總變化強度為52.52%(總變化面積/研究區總面積)。具體來講：植被演替在該時期內存在兩個方向即進展演替和逆行演替。進展演替的比例為81.37%,主要表現為耕地經過自然恢復演替、人工輔助演替等轉變為了草本群落、灌叢群落、闊葉林群落和柏木群落,占進展演替的50.31%,演替面積分別為233.46、730.80、249.93、28.53 hm2；草本群落演替發展為灌叢群落、闊葉林群落和柏木群落,占進展演替的16.22%,演替面積分別為257.94、111.60、30.96 hm2；灌叢群落發展為闊葉林群落、馬尾松群落、竹林群落,占進展演替的10.44%,演替面積分別為138.69、68.49、50.58 hm2；馬尾松群落則來源于闊葉林、竹林、針闊混交林、灌叢和草本群落的進展演替,共計550.26 hm2。由于巖溶區特殊的地質環境和外界的人為干擾,使得部分植被發生逆向演替在所難免,雖然所占比例很小,但卻使植被演替研究變得復雜。

由表2可知,從2001—2013年研究區內植被恢復演替過程中,由最初的耕地轉變為草本群落所占的變化比例最大,但在研究區內的部分區域已經構成了一個完整的植被恢復演替序列(圖7)。由圖7可知,在2001年為耕地的區域經過6a的自然恢復過程先演變為灌草叢(2007年),并在此基礎上進一步演變為闊葉林、馬尾松等喬木種群(2013年),其中2001—2007年間、2007—2013年間植被的變化強度分別為14.99%和28.24%。

表2 主要植被群落變化圖譜單元排序(2001—2013年)

*植被逆行演替變化部分

圖7 研究區內典型植被恢復樣區圖Fig.7 sample-lands of typical vegetation in study area

3.3 植被恢復演替時空遷移圖譜分析

圖8 不同演替階段植被群落的質心分布Fig.8 Centroid distribution of different succession stages of vegetation community

將4個時期不同演替階段的植被群落質心坐標進行疊合,形成了植被群落質心分布圖(圖8)和質心遷移圖(圖9),以及基于歐式距離的植被群落質心遷移距離和遷移方向表(表3)。

圖9 不同演替階段植被群落的質心遷移方向Fig.9 Centroid migration direction of different succession stages of vegetation community

主要植被群落類型Vegetationtypes1996—20012001—20072007—20132001—2013遷移距離Migrationdistance/m遷移方向Migrationdirection遷移距離Migrationdistance/m遷移方向Migrationdirection遷移距離Migrationdistance/m遷移方向Migrationdirection遷移距離Migrationdistance/m遷移方向Migrationdirection馬尾松Pi185.0北偏東196.4南偏西192.7正北28.3正南柏木Ka917.2南偏西619.1北偏東1972.2南偏西1353.3南偏西闊葉林Br727.2南偏東435.3北偏西367.7南偏東425.4南偏西針闊混交林Co3735.2南偏西2680.0北偏東1083.4正南竹林Ba389.9東南1804.2東北207.7西南1599.8北偏東灌叢Sh511.0東南1252.9西南1206.7正北905.8西北草叢Gr895.1正北664.7東北3347.3南偏西2791.7南偏西

由圖表信息可知,1996年和2001年,除柏木林外的其他群落類型質心基本集聚在了研究區的幾何中心位置；2007年作為過度階段,除柏木群落、竹林質心偏北而針闊混交林、灌叢群落質心偏南外,闊葉林、馬尾松、草本群落質心居中；到2013年,闊葉林、灌叢群落、馬尾松群落質心又集聚在了研究區中部,說明在1996—2013年間闊葉林和馬尾松林在該區域內分布均勻且生長均衡。植被群落質心多在南北方向上遷移,這與該區南北走向的地勢有關,且在2001—2013年間,質心遷移距離依次由大到小為草本群落>竹林群落>柏木群落>針闊混交林>灌叢群落>常綠落葉闊葉林群落>馬尾松群落。具體表現為：馬尾松群落和闊葉林群落的質心僅僅是在南北方向略有變動,并沒有一個明顯的遷移變化方向；柏木群落在2001—2007年期間質心向北遷移,在2007—2013年又向南移動,這表明在該時期里原質心所在地南部出現了柏木群落的分布,這與中梁山中部海石公園封山育林下的柏木自然恢復和退耕坡地上人工種植柏木的實際情況相符；常綠針闊混交林作為闊葉林到針葉林的過渡階段,其分布質心在2001—2007年期間明顯南移,在2007—2013年又向北移,但總體上針闊混交林還是向南遷移,說明這個時期研究區南部有更多的闊葉林群落在向針葉林群落演進；竹林的分布質心從2001—2007年向東北方向遷移,之后變化一直較小,這是由于中梁山的竹林以速生慈竹林群落為主；灌叢群落的質心遷移較明顯,2001—2013年整體向西北方向移動,且移動距離較大,說明在研究區的西北方向上有較多的非灌叢群落轉變為了灌叢群落,且增加面積較大；草本群落的質心遷移也很顯著,1996—2001年向北移動,之后又向東北移動,2007—2013年長距離的向南偏西方向遷移,說明草本群落在這個時期里變化最大。總的來說,植被群落質心多在南北方向上遷移,這與該區南北走向的地勢有關。

4 結論與討論

4.1 主要研究結論

本研究是在區域尺度的基礎上,結合3S技術、野外實測高光譜技術及生態學方法實現區域尺度的植被類型劃分。分類試驗結果和分類精度表明：①植被演替識別分類中涉及到多個時期植被種群的識別,中分辨率多光譜影像混合像元問題又不可避免,BP神經網絡較強的自學習能力和高度的容錯能力,以及BP神經網絡的并行式分布結構可以很方便地引入非光譜信息參與分類,使得遙感影像分類精度達到87.42%,比傳統監督分類精度提高了5.57%,但在區分杉木林、柏木林和針闊混交林精度依然很低,存在錯分和誤分的現象；②在研究時段內,研究區域植被群落在不同的時間段內面積變化特征明顯。1996—2001年,以竹林的減少為主,2001—2007年,以馬尾松林的增加為主,2007—2013年,以灌叢的增加為主,分別占各變化時期植被變化面積的36.36%、38.47%和55.75%。從演替序列來看,中梁山巖溶石漠化地區的植被恢復整體上遵循了旱生進展演替的一般規律,即草本群落到灌木群落再到喬木群落,但是由于中梁山屬于中低山地區,受人為影響因素大,研究區內海拔高差相對較小加之土壤稀薄不均的生境條件的限制,使得該地區的頂級群落更多的表現為土壤頂級[21- 22]。人工林的種植加速了該區域的進展演替,但由于其物種構成和群落結構比較簡單,不如自然恢復植被穩定,更容易被破壞和入侵。因此,在進行該地區的生態功能的恢復時,選擇和引入自然恢復演替過程中后期的植物種如柏木、馬尾松等對中梁山石漠化地區進行植被重建應該更有利于該地區穩定植被生態系統的形成。

4.2 討論

①僅有光譜數據的網絡分類完全不能識別杉木、柏木和針闊混交林,而隨著其他類型波段(比值波段、紋理、坡度、坡向、高程)的加入整個分類精度才有所提高,但并不是影響因子的全部加入就會起到提高分類精度的作用,反而可能造成一定的干擾。②由于數據源、野外采集高光譜儀的局限性和研究區地形等方面的影響,使得在對研究區不同演替階段具有代表性群落的劃分比較粗略,例如常綠落葉闊葉林并未給出具體的建群種或共優種類型。此外,本研究只是重點探討了小區域尺度上人工神經網絡方法在植被群落劃分和演替中的應用,在實際工作中,還應根據研究對象、研究目的和數據源的不同,嘗試將多源數據多方法相結合的分類方法以提高分類精度。③從所得到的結果看,自國家在西南喀斯特地區實施退耕還林還草等一系列生態建設工程特別是2008年國務院批復了《巖溶地區石漠化綜合治理大綱(2006—2015)》以來,喀斯特地區植被恢復變化明顯。中梁山屬中低山地區,受人類活動影響大,加之特殊的地質環境和薄厚不均的土壤分布,使得該區域的植被恢復情況有特定的變化特征。變化較顯著的是中梁山兩側外圍的耕地和中軸山丘的耕地,而未變化植被群落類型主要是分布在中梁山“兩翼”酸性土壤上的頂級群落——馬尾松(少量杉木)群落和分布在鈣質土壤上的頂級群落——柏木群落,它們具有較好的能量物質轉換能力和穩定的生態系統功能,因此在自然演替過程中變化小。④植被恢復演替圖譜很好地詮釋了地學信息圖譜的特點和內涵,能夠定量和直觀地反映各植被類型在不同演替階段的空間格局、分布規律和變化過程,圖譜單元可以研究各影像單元在各采樣時刻的利用狀態,實現空間-屬性-過程的一體化,可見地學信息圖譜在分析植被恢復演替的時空變化方面具有非常好的圖形表現形式和分析手段,從而為巖溶石漠化地區的植被恢復提供強有力的科學依據和技術手段。

[1] 國家林業局. 巖溶地區石漠化狀況公報. 中國綠色時報, 2006- 6- 23.

[2] 陳述彭, 岳天祥, 勵惠國. 地學信息圖譜研究及其應用. 地理研究, 2000, 19(4): 337- 343.

[3] 廖克. 地學信息圖譜的探討與展望. 地球信息科學, 2002, (1): 14- 20.

[4] 齊清文. 地學信息圖譜的最新進展. 測繪科學, 2004, 29(6): 15- 23.

[5] 張國坤, 鄧偉, 張洪巖, 宋開山, 李恒達. 新開河流域土地利用格局變化圖譜分析. 地理學報, 2010, 65(9): 1111- 1120.

[6] 孫曉芳, 岳天祥, 范澤孟. 中國土地利用空間格局動態變化模擬——以規劃情景為例. 生態學報, 2012, 32(20): 6440- 6451.

[7] 孫倩, 塔西甫拉提·特依拜, 張飛, 丁建麗, 買買提·沙吾提, 韓桂紅, 桂東偉. 渭干河-庫車河三角洲綠洲土地利用/覆被時空變化遙感研究. 生態學報, 2012, 32(10): 3252- 3265.

[8] 韓晨. 基于地學信息圖譜的西安城市空間擴展研究[D]. 西安: 陜西師范大學, 2007.

[9] 李鋒, 葉亞平, 宋博文, 王如松. 城市生態用地的空間結構及其生態系統服務動態演變——以常州市為例. 生態學報, 2011, 31(19): 5623- 5631.

[10] 雷璇, 楊波, 蔣衛國, 楊一鵬, Claudia K, 陳強. 東洞庭濕地植被格局變化及其影響因素. 地理研究, 2012, 31(3): 461- 470.

[11] 葉慶華, 田國良, 劉高煥, 葉景敏, 婁維國. 黃河三角洲新生濕地土地覆被演替圖譜. 地理研究, 2004, 23(2): 257- 264.

[12] 陳菁, 廖克. 基于地學信息圖譜的福建省生態環境脆弱性分析. 世界地理研究, 2009, 18(2): 169- 176.

[13] 安靜. 區域滑坡災害危險性評價信息圖譜研究[D]. 長沙: 中南大學, 2009.

[14] Xiao J Y, Ge J F, Shen Y J, Liang Y Q. Research on land use/cover change in Shijazhuang using landsat TM and ETM+ data. Geographical Science, 2005, 25(4): 495- 500.

[15] Mulders M A. Advances in the application of remote sensing and GIS for surveying mountainous land. International Journal of Applied Earth Observation and Geoinformation, 2001, 3(1): 3- 10.

[16] Soares-Filho B S. Cerqueira G C, Pennachin C L. Dinamica—a stochastic cellular automata model designed to simulate the landscape dynamics in an Amazonian colonization frontier. Ecological Modelling, 2002, 154(3): 217- 235.

[17] 李雙成, 鄭度. 人工神經網絡模型在地學研究中的應用進展. 地球科學進展, 2003, 18(1): 68- 76.

[18] 韋玉春, 湯國安, 楊昕. 遙感數字圖像處理教程. 北京: 科學出版社, 2011: 235.

[19] 田永中, 岳天祥. 地學信息圖譜的研究及其模型應用探討. 地球信息科學, 2003, (3): 103- 106.

[20] Ye Q H, Tian G L, Liu G H, Ye J M, Yao X, Liu Q S, Lou W G, Wu S G. Tupu methods of spatial-temporal pattern on land use changes: A case study in the Yellow River Delta. Journal of Geographical Sciences, 2004, 14(2): 131- 142.

[21] 范文武, 陳曉德, 李加海, 張淑琴, 李艷霞. 重慶中梁山海石公園石灰巖山地植物多樣性研究. 西南大學學報: 自然科學版, 2009, 31(5): 106- 110.

[22] 賈紅杰, 傅瓦利, 趙俊麗, 張文暉, 甄曉君, 杜富芝, 馬志敏, 段正峰. 重慶中梁山巖溶區耕作侵蝕影響因素研究. 水土保持學報, 2008, 22(1): 28- 32.

Quantifying vegetation restoration in a karst rocky desertification area in Chongqing based on Geo-informatic Tupu

ZHENG Huiru, LUO Hongxia*, ZOU Yangqing, CHENG Yusi, ZHANG Rui

SchoolofGeographicalScience,SouthwestUniversity,Chongqing400700,China

Karst rocky desertification (KRD) has become one of the most important ecological and environmental problems in China, and the control of rocky desertification has been listed as a goal of both social development and national environmental managment projects. However, patterns of plant succession in the process of KRD reversal activities are still unclear. Understanding plant dynamics is important for both the theory and practice for successful ecosystem restoration. We used multi-temporal, remotely sensed images and a Geo-informatic Tupu method to investigate the succession patterns of vegetation restoration at Zhongliang Mountain in Chongqing, Southwest China. This region is a typical KRD vegetation restoration area, with a rich diversity of regional vegetation types. In this study, remotely sensed images for four different time periods (1996, 2001, 2007, and 2013), representing four different stages in vegetation succession, were selected and analyzed using back-propagation (BP) neural network models for interpretation and classification. This resulted in maps of vegetation restoration based spatial structure rather than time series images, captured before and after the Grain for Green project, and thus, established information about principles for vegetation restoration succession in the region. Thereafter, the maps were analyzed using Geo-informatic Tupu to identify the dynamic patterns of vegetation restoration succession in the region. Our results indicate the following. (1) The BP neural network model provides an efficient vegetation classification method in the Zhongliang Mountain region. The overall accuracy of the (BP) neural network classification was 87.42%, which was 5.57% higher than traditional supervised methods. (2) Since 2002, a series of ecological restoration projects, including the Grain for Green project (the conversion of cropland into forest or pasture), have been implemented in this region, leading to a reduction in the area of farmland and an increase in the area of natural vegetation. The positive trends observed in the study site are interpreted as being the result of human-induced restoration. Comparing vegetation change in the different sub-regions of the study site, the most significant vegetation changes occurred on farmland that was located in the valley and foothills of Zhongliang Mountain. In contrast, regions with moderate change included the acid and the alkaline soil areas at higher elevations of Zhongliang Mountain. Here, the Masson pine community and kashiwagi community, respectively, are dominant. These communities have effective energy and nutrient conversion capabilities and form stable ecosystems that moderate changes in the natural succession of vegetation. (3) The Zhongliang Mountain communities were classified into two different stages, forward succession and reverse succession, during the period 2001—2013. In 18.63% of the region, reverse succession occurred, resulting in complex patterns of vegetation change. (4) Analysis of changes in vegetation structure was performed based on the centroid shifting method. From 1996 to 2013, the centroid of the Masson pine community and deciduous broad-leaved forest communities changed only slightly, while changes observed in other vegetation types were more marked. The Tupu method quantified the spatial pattern, distribution, and change processes of vegetation in different successional stages. It appears that the Tupu method can identify the state of each image element in each sampling time and achieve an integration of Space-Property-Process, providing a strong scientific basis and technical means for vegetation restoration in karst rocky desertification regions.

karst rocky desertification; vegetation succession; multi-temporal remote sensing images; geo-informatic Tupu; pattern evolution

國家自然科學基金資助項目(41201436)

2014- 11- 12;

日期:2016- 01- 15

10.5846/stxb201411122233

*通訊作者Corresponding author.E-mail: tam_7236@swu.edu.cn

鄭惠茹, 羅紅霞, 鄒揚慶, 程玉絲, 張銳.基于地學信息圖譜的重慶巖溶石漠化植被恢復演替研究.生態學報,2016,36(19):6295- 6307.

Zheng H R, Luo H X, Zou Y Q, Cheng Y S, Zhang R.Quantifying vegetation restoration in a karst rocky desertification area in Chongqing based on Geo-informatic Tupu.Acta Ecologica Sinica,2016,36(19):6295- 6307.