基于擾動指數的天水南部植被擾動時空序列研究

周妍妍, 郭曉娟, 鄒明亮, 陳冠光, 郭建軍, 岳東霞*

?

基于擾動指數的天水南部植被擾動時空序列研究

周妍妍1, 郭曉娟1, 鄒明亮1, 陳冠光1, 郭建軍2, 岳東霞1*

1. 蘭州大學資源環境學院, 蘭州 730000 2. 中國科學院西北生態環境資源研究院沙漠與沙漠化重點實驗室, 蘭州 730000

利用全球擾動指數(The MODIS Global Disturbance Index, MGDI)模型并以長時間序列的MODIS的增強型植被指數(Enhanced Vegetation Index, EVI)和地表溫度(Land Surface Temperature, LST)數據作為數據源對天水南部地區2001—2016年植被擾動指數時空分布變化特征和驅動因子進行研究。結果表明: (1)16年來植被擾動指數的均值空間分布不均, 其值分布于0.66—1.09之間, 天水市南部地區的西北和西部部分地區植被擾動指數明顯低于其它地區, 且主要為積極擾動。(2)植被擾動指數的年際變化呈降低趨勢, 占總面積的89.58%, 其中研究區中農耕區減小的趨勢最為明顯。植被擾動指數的變異系數分析結果表明, 2001—2016年以來天水南部大部分地區植被擾動指數變化較穩定。其中, 西北部的農耕區擾動指數波動幅度較大, 而林區波動相對較小。(3)植被擾動情況受海拔和坡度、河流和道路的影響?？臻g分布上, 擾動主要發生在海拔相對較高、坡度較緩及近河流和道路地區。

MODIS; 植被; 擾動指數; 時空變化; 天水南部

0 前言

植被作為陸地生態系統必不可少的組成部分, 能夠根據陸地生態系統中水、氣、熱等的狀況, 調控其內部與外部的全球能量物質平衡、生物化學循環和水循環[1]。它對區域生態系統環境變化有著重要指示作用, 氣候變化、人類活動, 以及大氣中CO2的施肥效應都會對植被產生擾動[2]。生態擾動是一個導致生態系統結構和功能持續中斷的事件, 其中植被擾動是指生態系統葉面積指數(Leaf Area Index, LAI)在一年以上發生重大變化的事件, 擾動可分為積極擾動(如農業灌溉)和消極擾動(如火災)[3–6]。陸地表層植被擾動的研究有助于跟蹤生物圈對氣候變化的響應, 其時空特征更是區域植被生物量和碳儲量研究的關鍵。獲取高精度植被擾動信息不僅有利于區域乃至全球生物量的精確估算[7], 而且可以提高區域或者全球碳匯的估算精度, 將在國家政策的制定、碳預算的評估以及改善資源管理中發揮重要的作用。隨著全球生態環境的不斷惡化, 量化擾動對于了解生態系統的動態至關重要[8], 因此量化擾動已成為全球生態系統環境的研究熱點。近半個世紀以來, 不斷發展的遙感(Remote Sensing, RS)和地理信息系統(Geographic Information System, GIS)技術為大面積長時間序列植被擾動的研究提供可能[9]。MODIS等遙感影像可提供數據來提取關鍵物候參數, 并監測植被動態的趨勢[10]。2007年, Mildrexler等[11]根據植被指數和地表溫度的負相關關系提出了擾動指數, 用于監測基于像元尺度LST/EVI的長期變化; 2009年, Mildrexler等[12]改進了先前提出的擾動指數, 將其更名為MODIS全球擾動指數(The MODIS Global Disturbance Index, MGDI), 監測北美森林火災發生的位置、嚴重程度以及颶風和砍伐森林對植被造成的破壞。由于MGDI使用的是年最大合成數據, 這就避免了地表溫度可能存在的自然變化, 因此MGDI在國內外植被擾動研究中得到廣泛的應用。然而, 國內外學者主要用MGDI模型監測短時間內的植被變化。如COOPS等[13]研究表明, MGDI監測得到的擾動區域與使用其它衛星數據獲取的林火區域具有很高的相關性, 并且指出MGDI還可用于區域尺度植被病蟲害的監測; Sun等[14]應用MGDI監測汶川地震森林擾動, 研究表明MGDI能夠較好的應用于地震擾動的監測; Dutta等[15]對比分析印度和孟加拉國紅樹林旋風前后的擾動, 計算出了擾動的面積; 尤慧等[16]基于MODIS數據利用MGDI監測了加拿大地區森林火燒跡地的面積; 此外, Phompila等[17]應用擾動指數檢測老撾熱帶森林土地覆被空間變化, 研究表明, 植被擾動指數能夠高精度的監測7年內的植被變化, 但缺少分析說明其變化的驅動因素。天水南部地區是一個典型的農林牧交錯復合區, 屬于我國氣候變化的敏感區和生態環境的脆弱區, 易受人類活動和滑坡、泥石流等自然災害的擾動[18]。本文基于MGDI模型, 采用MODIS EVI數據和LST數據監測天水南部的植被擾動狀況, 分析了研究區長時間序列擾動指數的時空動態分布特征和驅動因素, 全面客觀地認識了植被擾動變化的內在聯系和作用機理, 對減緩研究區植被破壞和植被保護提供了科學依據[19], 建立了區域生態環境與社會經濟協調的發展模式。

1 研究區概況

天水市南部地區位于黃土高原西南部, 介于東經105°42′—106°42′, 北緯34°4′—34°37′之間, 地處陜、甘兩省交界, 包括黨川鄉、利橋鄉、東岔鎮、李子鄉、娘娘壩等12個鄉鎮。天水南部地區總面積約為3262 km2, 海拔主要分布在1000—2000 m之間, 占天水市總面積的22.77%。天水市南部地區林草占總面積的85.72%, 南部小隴山林區, 樹種類型多樣, 森林資源十分豐富。農耕區主要分布于研究區的西北部地區, 占總面積的12.70%。其屬隴中南部冷溫帶半濕潤氣候, 年平均降水量574 mm, 時空分布不均勻, 自西北向東南逐漸增加, 中東部山區雨量在600 mm以上, 且降雨多集中在4月下旬至10月上旬, 冬半年降水較少[20]。這一地區土壤蓄水性能很差, 每當遇有強降水, 雨水就會迅速在溝壑處匯集成洪流, 沖刷表土, 沖毀坡地, 引發山體滑坡、泥石流等災害, 造成交通和通訊中段、房屋倒塌、作物受災, 甚至人員傷亡等[21]。2013年7月25日天水市發生群發性山洪地質災害, 其中本研究區所在的天水市麥積山區發生200多個地質災害[22]。

圖1 研究區概況

Figure 1 Sketch map of the southern part of Tianshui

2 研究方法

2.1 HANTS

時間序列諧波分析法(Harmonic Analysis of Time Series, HANTS)是改進傅立葉分析的一種算法[23]。長時間序列數據被解為幾個最為顯著的頻率, 利用最小二乘法擬合各頻率的正弦或余弦分量, 其中通過不停的迭代得到各頻率的振幅和相位。該方法是平滑和濾波兩種方法的結合, 它通過利用遙感影像的時空特點, 將其時間上的變化規律和空間上的分布規律聯系起來, 其主要目的是遙感圖像的去云處理[24], 具體內容可參考文獻[25–26]。本文針對研究區特殊的氣候地形環境, 在ENVI軟件下利用HANTS方法對MODIS EVI和MODIS LST數據進行無云處理, 以此提高數據質量, 獲得整個時序數據長期變化趨勢, 以為擾動指數的計算奠定基礎。

2.2 擾動指數

擾動指數為每年合成的最大地表溫度和同年合成的最大植被指數的比率與目標監測年之前多年的擾動比率均值的比值[27]。MODIS全球擾動指數(MGDI)是使用植被指數和地表溫度數據來檢測生態擾動的一種方法(Mildrexler et al., 2009), MGDI的提出是基于通過潛熱能量傳遞, 植被密度降低而表面溫度增加的事實[28]。此外, 兩個輸入變量, 即地表溫度(LST)和增強植被指數(EVI), 反應不同的生物物理過程, 從而豐富指標的內容[29]。該指數在長時間序列數據集的基礎上, 計算像元尺度長期變化, 并且檢測表面能量的顯著年際變化。生態系統在未發生擾動時, 在正常年份的地表能量平衡都會在自然變異范圍內波動(擾動指數一般接近1.0)。當生態系統受人類灌溉活動擾動時, 擾動指數就會小于1, 且擾動強度越大, 其值越小; 當生態系統受到干旱, 火災等自然災害擾動時, 擾動指數大于1, 且擾動程度越高, 其值越大。擾動指數根據擾動方式可分為瞬時擾動指數(如火災)和非瞬時擾動指數(如蟲災, 過度放牧, 氣候變化和干旱)[30]。根據擾動的影響可分為積極擾動(灌溉)和消極擾動(砍伐、火災)。在本研究中, 使用MGDI方法分析了2001—2016年天水南部地區的因人類活動和滑坡泥石流等自然災害造成的非瞬時擾動。非瞬時MGDI表達式如下[31]:

公式中, DI為擾動指數; EVImax為每個像元的EVI一年內最大值; LSTmax為每個像元的LST一年內最大值; 分子表示目標年份的(LSTmax/EVImax), 分母表示除目標年份以外之前多年(LSTmax/EVImax)的均值。

2.3 線性趨勢分析

為研究2001—2016年擾動指數變化的空間分布特征采用一元線性回歸方程方法, 分析每個像元的DI變化趨勢, 定量計算研究區范圍內中所有像元的DI與時間的回歸斜率。斜率K即為DI線性趨勢, 其值為正說明擾動指數有增加趨勢, 為負說明擾動指數呈減少趨勢, K絕對值越大, 則說明擾動指數變化越明顯[32]。趨勢斜率用最小二乘計算, 公式如下[33]:

公式中, K為擾動指數變化的線性趨勢;為研究年數; DI為每個像元在第年第個像元的DI值。

2.4 穩定性分析

為了解天水南部地區DI在空間上的波動程度, 計算2001—2016年每個柵格DI的變異系數(The coefficient of variation, C)。變異系數是反映數據變異程度的一個統計量, 可消除因單位和平均值不同對變異程度比較的影響[34], 用其來評估DI數據在時間與空間上的相對變化程度, 變異系數越大, 變異程度越大; 反之, 變異程度越小[35]。計算式為[36]:

公式中, C為變異系數,`為2001—2016年DI平均值,s為2001—2016年DI標準差。C值越大, 表示數據分布越離散, 數據時間序列波動較大; 反之則表示數據分布較聚集, 數據時間序列波動較小, 穩定性較好。

3 數據源與數據處理

(1)MODIS EVI數據和LST數據: 搭載在Terra和Aqua兩顆衛星上的中分辨率成像光譜儀(Moderate-Resolution Imaging Spectroradiometer, MODIS)是美國地球觀測系統(EOS)計劃中用于觀測全球生物和物理過程的重要儀器。它獲取的影像具有36個中等分辨率水平(0.25 um—1 um)的光譜波段, 每1—2 d對地球表面觀測一次。獲取陸地和海洋溫度、初級生產率、陸地表面覆蓋、云、汽溶膠、水汽和火情等目標的圖像。NASA提供的MODIS全球數據產品, 共有44種標準產品, 具有不同的時間和空間分辨率。其中MOD13Q1產品的增強型植被指數EVI數據, 是空間分辨率為250 m的16 d合成產品; MOD11A2產品的地表溫度LST數據, 是空間分辨率為1000 m的8 d合成產品。利用MRT軟件把所有MODIS遙感影像投影為相同的坐標系, 通過最鄰近法重采樣為250 m空間分辨率。本文選取MODIS數據產品行列號為h26v05的2000—2016年所有的EVI和LST數據產品用于擾動指數的計算。利用研究區每年的EVI和LST數據, 在ArcGIS軟件的像元統計數據工具中, 計算出每個像元一年內的最大值, 取該值為目標年的EVImax, 每年合成一幅當年EVImax影像。根據同樣的算法, 每年合成一幅當年LSTmax。

(2)數字高程模型(DEM): 來源于中國地理空間數據云的數字高程數據產品, 其為90 m空間分辨率。根據DEM數據利用ArcGIS軟件提取研究區的河流和坡度。

(3)土地利用類型數據: 2015年的土地利用數據來源于中國科學院資源環境科學數據中心(http:// www.resdc.cn), 其空間分辨率為30 m[37]。

4 結果與分析

4.1 天水南部地區2001—2016年擾動指數空間分布特征

根據公式(1), 在ArcGIS軟件支持下, 將空間化的各參數帶入MGDI模型進行柵格地圖代數運算, 得到2001—2016年DI時間序列數據集, 制作2001— 2016年平均值的天水南部擾動指數圖(圖3a)。根據構建的DI時間序列數據集, 計算每個像元點多年數據集的平均值和標準差, 確定每個像元點的平均狀態和自然變異范圍, 從而制作2016年擾動情況圖[38](圖3b)。由圖3可知,擾動指數的空間分布不均一, 其值分布于0.66—1.09之間, 絕大部分的值小于1, 且為擾動較小區域。從區域分布看, 西北及北部邊緣區域、西部娘娘壩鎮的一部分及北部邊緣地區擾動指數明顯低于其它地區, 主要是積極擾動, 占總面積的31.36%, 擾動面積最大。由于這些地區植被類型主要為耕地, 耕地由于受人類灌溉, 耕種等農業活動影響較大, 導致地表溫度較低, 植被覆蓋較好, 擾動指數較低[39–40]。河谷地區, 地勢平坦, 土壤肥沃, 水資源豐富, 土地利用類型主要為耕地, 擾動指數也普遍低于1。除河谷地區其它大部分地區主要為林地, 受自然和人為擾動較少, 擾動指數接近于1, 主要為無擾動區。消極擾動的區域主要分布于西北部伯陽鄉及西部的娘娘壩鎮和李子鄉, 擾動面積較小, 主要是位于滑坡泥石流災害的多發區。

圖2 2015年天水南部土地覆被狀況

Figure 2 Land cover of the southern part of Tianshui in 2015

圖3 2001—2016年天水南部擾動指數和2016年擾動情況空間分布圖

Figure 3 Spatial distribution map of average DI from 2001 to 2016 and DI in 2016 over the southern part of Tianshui

4.2 天水南部地區擾動指數的時空變化特征

4.2.1 擾動指數年際變化趨勢

根據公式(2), 用16年逐一像元的DI值與年份計算線性趨勢, DI回歸斜率能夠反映植被DI變化的方向和速率。圖4為2001—2016年天水南部擾動指數的變化趨勢, 擾動指數變化較小, 平均趨勢系數為-0.0038, 呈緩慢減小的趨勢。從面積比例上看, 擾動指數減小的區域占總面積的89.58%, 明顯降低的區域主要分布于研究區西北部的伯陽鄉和元龍鄉及娘娘壩鎮的西北部, 這主要由于人類的灌溉耕作等農業活動使植被覆蓋相對升高, 地表溫度降低[41]。中部大面積的林區擾動指數呈增加趨勢, 占總面積10.42%, 且DI逐漸接近于1。說明該區域受自然和人為擾動減少, 植被覆蓋度逐漸增加, 植被狀況不斷改善。這主要由于自1999年以來, 該區域積極實施天然林保護、封山育林、退耕還林等工程的實施, 該區域森林覆蓋率呈顯著上升趨勢, 且林地面積不斷擴大[42]。DI多年基本不變的區域主要分布于現代冰川上, 該區海拔高且遠離城區, 受自然和人為擾動較少[43]?？傊? 研究區DI增加的區域遠高于減少區域的面積, 同時增加的強度也高于減少的強度。

圖4 2001—2016年天水南部擾動指數變化趨勢空間分布圖

Figure 4 Changing trends of DI in the southern part of Tianshui from 2001 to 2016

4.2.2 擾動指數變化的穩定性分析

變異系數能夠反映植被DI的時空變動程度。圖5顯示的是天水南部地區16年DI逐像元計算出的變異系數。研究區的變異系數分布0.03—0.38之間, 平均值為0.08, 整體DI年際變異幅度較小, 變化較為穩定。DI的空間分布與其年際變異系數的空間分布存在高度的負相關性, 區域不同地區的DI穩定性存在明顯的空間差異。DI高波動區多分布在西北部伯陽鄉, 元龍鄉等鄉鎮及白家河和紅崖河等河流的兩側, 且是擾動指數低值區, 該區域受到人類生產生活的影響[44], DI的穩定程度低。草地的生長受水熱條件以及人為干預的影響較大, 故近16年草地DI表現出較大的波動性。林地主要分布在丘陵和山區, 自然環境好且對氣候和人為影響具有較強的適應性, 生長穩定, DI波動較小[45]。

4.3 天水南部地區植被擾動驅動因子分析

4.3.1 海拔和坡度

地形是影響植被分布及擾動的重要因素, 本文按照400 m等間隔, 將海拔由低到高分為五個等級, 按照10°等間隔, 將坡度由低到高劃分為五個等級[46], 利用ArcGIS10.2軟件中面積制表工具統計在不同等級海拔、坡度中擾動區域的分布情況[47]。由表1可知, 研究區植被擾動區域的海拔分別主要分布在等級三和等級四, 分別占擾動面積的37.76%、50.68%, 由此可知, 較高海拔即1200—2000 m范圍內的植被易受擾動。由于研究區中高海拔區占研究區面積最大, 且是人類主要活動的區域, 隨著海拔升高, 植被增加, 人類活動較少, 擾動面積少[48]。植被擾動區域的坡度分別主要分布于等級二和等級三, 分別占擾動面積的41.19%、30.08%, 由此可知坡度較緩的植被更加易受到擾動影響, 并且在天水地區滑坡災害多發生在10°—40°之間, 增加該區域的擾動[49], 結果說明地形是影響植被擾動的重要因素。

4.3.2 距河流和道路的距離

近河流和道路的區域是工農業生產主要區域, 其影響著植被的蓋度和擾動狀況。利用ArcGIS平臺的緩沖區分析工具, 按1 km間隔(緩沖區半徑)建立水體、道路邊界緩沖區, 進行區域分析, 得到各個緩沖區等級擾動制表。由表2可知, 在靠近道路和水系的緩沖區一和緩沖區二區域, 植被擾動發生的所占比例較高[50]。緩沖區之間植被擾動的比較顯示, 無論是河流還是道路附近, 植被擾動區域都由內向外顯著遞減。河流和道路附近植被擾動都較大, 而不同范圍內的變化有所差別, 在一定程度上反映出人為活動與植被擾動存在重要的本質聯系[51]。總之, 在空間分布上, 天水南部植被擾動主要發生在海拔相對較高、坡度較緩及近河流和道路區域。

圖5 2001—2016年天水南部擾動指數變化穩定程度

Figure 5 Standard deviation of DI changes in the southern part of Tianshui from 2001 to 2016

表1 天水南部地區植被擾動面積在不同海拔和坡度的分布

表2 天水南部植被擾動面積在道路和水系不同緩沖區的分布

5 結論

本文利用MODIS EVI和MODIS LST遙感數據, 基于MGDI模型監測了天水南部地區2001—2016年植被擾動狀況, 分析擾動指數的時空變化特征及其對自然和人為因素的響應, 得出以下結論:

1)16年來擾動指數的均值空間分布不均, 其值分布于0.66—1.09之間, 研究區西北和西部部分地區擾動指數明顯低于其它地區; 2)擾動指數的年際變化呈降低趨勢, 占總面積的89.58%, 其中研究區中農耕區減小的趨勢最為明顯。擾動指數的變異系數分析結果表明, 2001—2016年以來天水南部大部分地區擾動指數變化較穩定。其中, 西北農耕區擾動指數波動較大, 而林區波動較小; 3)植被擾動受海拔、坡度與河流和道路距離因素的影響, 空間上, 擾動主要發生在海拔相對較高、坡度較緩和近水體和道路地區。植被擾動是自然和人為因素綜合作用的結果, 其中合理的安排農業生產活動以及退耕還林、還草等政策, 有力促進了綠化工作的開展, 大大改善了生態與環境。此外, 植被的擾動變化與氣候變化、土地利用方式、城市化和人口密度等因素密切相關, 這將是下一步研究的重點[52]。

[1] SCHIMEL D S. Terrestrial biogeochemical cycles: Global estimates with remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 49–56.

[2] PIAO S, MOHAMMAT A, FANG J, et al. NDVI-based increase in growth of temperate grasslands and its responses to climate changes in China[J]. Global Environmental Change, 2006, 16(4): 340–348.

[3] PICKETT S T A,WHITE P S. The ecology of natural disturbance and patch dynamics[M]. Academic Press, 1985.

[4] TILMAN D. The Resource- Ratio hypothesis of plant succession[J]. American Naturalist, 1985, 125(6): 827–852.

[5] WARING R H, RUNNING S W. Forest ecosystems: analysis at multiple scales[J]. Forest Ecosystems Analysis at Multiple Scales, 2007.

[6] DALE V H, BROWN S, HAEUBER R A, et al. Ecological principles and guidelines for managing the use of land[J]. Ecological Applications, 2014, 10(3): 639–670.

[7] YANG C, SHEN R. Progress in the study of forest disturbance by remote sensing[J]. Remote Sensing for Land & Resources, 2015, 27(1): 1–8.

[8] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[9] 鄧朝平, 郭鈮, 王介民, 等. 近20余年來西北地區植被變化特征分析[J]. 冰川凍土, 2006, 28(5): 686–693.

[10] PéREZHOYOS A, MARTíNEZ B, GILABERT M A, et al. A multi-temporal analysis of vegetation dynamics in the Iberian peninsula using MODIS-NDVI data[J]. Earsel Eproceedings, 2010(1).

[11] MILDREXLER D J. A new satellite-based methodology for continental-scale disturbance detection[J]. Ecological Applications A Publication of the Ecological Society of America, 2007, 17(1): 235–50.

[12] MILDREXLER D J, ZHAO Maosheng, et al. Testing a MODIS global disturbance index across North America[J]. Remote sensing of environment, 2009, 113(10): 2103– 3566.

[13] COOPS N C, WULDER M A, IWANICKA D. Large area monitoring with a MODIS–based disturbance index(DI) sensitive to annual and seasonal variations[J]. Remote Sensing of Environment, 2009, 113(6): 1250–1261.

[14] SUN L, CHEN J, LI T. A MODIS- based method for detecting large-scale vegetation disturbance due to natural hazards: a case study of Wenchuan earthquake stricken regions in China[J]. Stochastic Environmental Research & Risk Assessment, 2015, 30(8): 1–12.

[15] DUTTA D, DAS P K, PAUl S, et al. Assessment of ecological disturbance in the mangrove forest of Sundar-bans caused by cyclones using MODIS time–series data(2001—2011)[J]. Natural Hazards, 2015, 79(2): 775– 790.

[16] 尤慧, 劉榮高 , 祝善友, 等. 加拿大北方森林火燒跡地遙感分析[J]. 地球信息科學, 2013, (4): 597–603.

[17] PHOMPILA C. Applying the Global disturbance index for detecting vegetation changes in Lao Tropical Forests[J]. Advances in Remote Sensing, 2015, 05(1): 1–9.

[18] 胡利平, 姚延鋒, 裴古娥, 等. 天水地區近50年氣溫與降水變化特征[J]. 地理科學進展, 2009, 28(4): 651–656.

[19] 李月臣, 宮鵬, 劉春霞, 等. 北方13省1982年～1999年植被變化及其與氣候因子的關系[J]. 資源科學, 2006, 28(2): 109–117.

[20] 郭慧, 黃濤, 鄧茂芝, 等. 甘肅天水地區45 a來強降水與洪澇災害特征分析[J]. 冰川凍土, 2007, 29(5): 808–812.

[21] 趙洪濤. 甘肅中南部滑坡、泥石流災害機制及防災可持續發展研究[D]. 蘭州: 蘭州大學, 2010.

[22] 于國強, 張茂省, 胡煒. 天水市“7.25”群發性山洪地質災害發育特征及成因分析[J]. 西北地質, 2014(3): 185– 191.

[23] 趙偉, 李召良. 利用MODIS/EVI時間序列數據分析干旱對植被的影響[J]. 地理科學進展, 2007, 26(6): 40–47.

[24] 劉惠峰. 基于時序NDVI的疏勒河流域植被覆蓋分類研究[D]. 蘭州: 蘭州大學, 2014.

[25] VERHOEF W, MENENTI M, AZZAH S. A colour composite of NOAA—AVHRR—NDVI based on time series analysis 1981— 11992. International Journal of Remote Sensing, 1996, 17: 231–235.

[26] ROERINK G J, MENENTI M, VERHOEF W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9): 1911–1917.

[27] 尤慧. 近十年東南亞森林擾動的遙感分析[D]. 南京: 南京信息工程大學, 2013.

[28] RAMAKRISHNA R N.Estimation of Regional Surface Resistance to Evapotranspiration from NDVI and Therma–IR AVHRR Data[J]. Journal of Applied Meteo-rology, 1989, 28(4): 276–284.

[29] LAMBIN E F, EHRLICH D. The surface temperature- vegetation index space for land cover and land–cover change analysis[J]. International Journal of Remote Sensing, 1996, 17(3): 463–487.

[30] GOETZ S J. Multi–sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site[J]. International Journal of Remote Sensing, 1997, 18(1): 71–94.

[31] 曹云. 基于MODIS數據產品與Landsat遙感影像的云南省近十年森林擾動監測方法研究[D]. 南京: 南京信息工程大學, 2015.

[32] 于泉洲, 梁春玲, 劉煜杰, 等. 基于MODIS的山東省植被覆蓋時空變化及其原因分析[J]. 生態環境學報, 2015, 24(11): 1799–1807.

[33] MA M, FRANK V. Interannual variability of vegetation cover in the Chinese Heihe River Basin and its relation to meterological parameters[J]. International Journal of Remote Sensing, 2006, 27(16): 3473–3486.

[34] 張仁平. 2000—2012年中國北方草地NDVI和氣候因子時空變化[J]. 中國沙漠, 2015, 35(5): 1403–1412.

[35] 楊慧. 空間分析與建模[M]. 北京: 清華大學出版社, 2013.

[36] 潘竟虎. 2001—2010年疏勒河流域植被凈初級生產力時空變化及其與氣候因子的關系[J]. 生態學報, 2017, 37(6): 1888–1899.

[37] 徐新良. 土地利用/覆被變化時空信息分析方法及應用[M]. 北京: 科學技術文獻出版社, 2014.

[38] 吳立葉. 區域森林擾動遙感監測研究[D]. 南京: 南京信息工程大學, 2014.

[39] FRIEDL M A, DAVIS F W. Sources of variation in radiometric surface temperature over a tallgrass prairie[M]// Handbook of Africa's international relations/. Routledge, 1994: 1–17.

[40] BICHERON P, DEFOURNY P, BROCKMANN C. GLOBCOVER: products description and validation report[J]. Foro Mundial De La Salud, 2011, 17(3): 285–287.

[41] 趙晶, 周耀治, 鄧興耀. 西北干旱區植被覆蓋時空動態特征[J]. 林業資源管理, 2017, 2(1): 118–126.

[42] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[43] 任沖, 鞠洪波, 張懷清, 等. 天水市近30年林地動態變化遙感監測研究[J]. 林業科學研究, 2017, 30(1): 25–33.

[44] CHANG Yaping, DING Yongjian, ZHAO Qiudong, et al. Remote estimation of terrestrial evapotranspiration by Landsat 5 TM and the SEBAL model in cold and high–altitude regions: a case study of the upper reach of the Shule River Basin, China[J]. Hydrological Processes, 2016: n/a-n/a.

[45] 張東海, 任志遠, 王曉峰, 等. 基于MODIS的陜西黃土高原植被覆蓋度變化特征及其驅動分析[J]. 生態與農村環境學報, 2013, 29(1): 29–35.

[46] 奚硯濤, 徐勇, 劉欣婷. 2000-2013年江蘇省不同植被類型NDVI時空變化特征[J]. 水土保持研究, 2016, 23(1): 86-91.

[47] 楊辰. 區域森林植被擾動遙感監測研究[D]. 南京: 南京信息工程大學, 2013.

[48] 張宇欣. 基于擾動指數的岷江上游森林擾動時間序列研究——以理縣為例[J]. 浙江林業科技, 2017, 37(3): 48–53.

[49] 齊敬輝, 牛叔文, 馬利邦, 等. 2000-2014年疏勒河流域植被覆蓋時空變化[J]. 生態與農村環境學報, 2016, 32(5): 757–766.

[50] 趙芳. 三江源區草地MODIS植被指數時空變異及驅動因子分析[D]. 西寧: 青海大學, 2012.

[51] 李小亞, 張勃, 靳自寶. 基于MODIS-NDVI的甘肅河東地區植被覆蓋度動態監測[J]. 水土保持研究, 2013, 20(1): 112–115.

[52] 王文輝. 福建長汀植被覆蓋度變化的主要驅動影響因子及影響力分析[J]. 福建農林大學學報(自然版), 2017, 46(3): 277–283.

Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index

ZHOU Yanyan1, GUO Xiaojuan1, ZOU Mingliang1, CHEN Guanguang1, GUO Jianjun2, YUE Dongxia1*

1. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China 2. Key Laboratory of Desert and Desertification, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

The study investigated the temporal-spatial distribution characteristics and driving factors of vegetation disturbance index in the southern part of Tianshui from 2001 to 2016 based on MGDI model, using the Enhanced Vegetation Index(EVI) and Land Surface Temperature(LST) in long time series as data sources. The results are as follows. (1)The spatial variation range of mean vegetation disturbance index value was 0.66-1.09mm on the grid during 2001-2016, which had a significant difference in spatial patterns. And the vegetation disturbance index of the northwest and western parts of the study area was obviously lower than that of other areas, and mainly for positive disturbance. (2)The interannual variability of vegetation disturbance index was decreasing, accounting for 89.58% of the total area. Among all the study area, the reducing trend was most obvious in the cultivated area. The analysis of variance coefficient of vegetation disturbance index showed that the change of vegetation disturbance index in most parts of southern Tianshui since 2001-2016 was relatively stable while the disturbance index of the farming area in the northwest was larger, and the forest area fluctuated less. (3)Vegetation disturbances were affected mainly by altitude, slope, river, and road. Judging from spatial distribution, the disturbance occurred mainly at relatively low elevations, with slower slopes and near rivers and roads.

MODIS; vegetation; disturbance index; spatial and temporal variation; south of Tianshui

10.14108/j.cnki.1008-8873.2019.01.014

P9

A

1008-8873(2019)01-102-09

2017-12-07;

2018-3-20

甘肅省民生科技計劃(1503FCME006)

周妍妍(1992—), 女, 河北邯鄲人, 在讀碩士研究生, 主要從事生態安全評價研究, E-mail:yyzhou16@lzu.edu.cn

岳東霞, 女, 博士, 教授, 主要從事生態安全評價研究, E-mail: dxyue@lzu.edu.cn

周妍妍, 郭曉娟, 鄒明亮, 等. 基于擾動指數的天水南部植被擾動時空序列研究[J]. 生態科學, 2019, 38(1): 102-110.

ZHOU Yanyan, GUO Xiaojuan, ZOU Mingliang, et al. Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index[J]. Ecological Science, 2019, 38(1): 102-110.