基于RS的淮南市山北地區植被覆蓋率變化分析

姜青華

(安徽理工大學空間信息與測繪工程學院，安徽 淮南 232001)

引言

植被覆蓋率作為反映森林資源和綠化水平的重要指標，其變化情況可以在一定程度上反映區域的發展。植被覆蓋率是表示綠色植物長勢和豐度的重要參數，與水土流失等環境問題密切相關[1]。在一定時序下，連續監測植被覆蓋率的變化可直觀表示出環境變化對植被的影響，因此監測植被覆蓋率的變化情況對環境保護具有重要意義[2]。傳統統計植被長勢和豐度的方法費事費力且時效性很低，無法做到及時、精確監測。遙感技術具有獲取快捷、信息全面且能夠實現不同空間尺度下地表覆蓋等信息的長時序變化監測的優點，已成為全球估算不同尺度下植被覆蓋率的主要技術之一[3]。遙感數據的獲取具有較高的時效性，利用遙感影像數據估算大區域植被覆蓋率及其變化的方法已經成為當前建立全球氣候監測、生態恢復的重要工作[4]。

目前已有研究提出多種植被指數監測植被覆蓋，主要分為不同波段的線性組合、基于高光譜遙感及熱紅外遙感發展、基于物理知識改進發展3類[5]。其中，歸一化植被指數(NDVI)在研究植被方面具有突出優勢，已在植被研究中得到了廣泛應用[6]。通過對比分析不同時相的遙感資料，能夠很好地顯示出植被覆蓋率變化的時空分布特征，因此利用NDVI等植被指數并結合時間二分模型、一元線性回歸方程等方法已大量應用于植被的長期監測與時空監測分析中[7]。在植被變化率的動態監測中，NDVI被稱為監測植被和生態環境變化的靈敏參數[8]。已經有研究表明，NDVI不僅是植被長勢及豐度敏感的特征參數，還與植被覆蓋率、植被葉面積指數、綠色植物生物量等植被指數密切相關[9]。NDVI的時序變化曲線也可一定程度的反映人為活動和季節活動變化情況[10]。而且，NDVI經過比值計算，可減小由大氣效應、傳感器觀測角、陰影、太陽高度角和地形變化等因素帶來的影響。通過歸一化處理后的植被指數，可降低傳感器定標衰減(即儀器標定誤差)變化對波段的影響及由地表二向反射和大氣效應造成的不利影響，加強了對植被的監測能力。

本文采用Landsat遙感影像數據，監測了安徽省淮南市2005年、2010年、2015年、2017年和2020年5a植被覆蓋率及地表覆蓋類型，分析了近幾年研究區植被變化趨勢及植被、水體、居民區和裸地4種地表類型覆蓋變化，實現了大區域下植被覆蓋率的長時間序列變化監測。結合研究區實際情況合理分析了植被覆蓋率變化影響因素并預測了未來幾年植被覆蓋率變化趨勢，為淮南市城市建設、環境保護、科學灌溉等提供一定的科學依據。

1 材料與方法

1.1 研究區概況

淮南市位于安徽省中北部，長江三角洲腹地，屬于亞熱帶和暖溫帶的過渡地帶，共有洞山、妙山、八公山、武集、上窯等6個國有林場，林業用地面積約4282hm2。以八公山、舜耕山等大別山余脈為界，將淮南市分為山南地區和山北地區。本文選擇淮南山北及其周邊接壤地區作為主要研究區域，其中山北地區包含淮南老城區，發展歷史悠久，有多個大型礦區，且淮河以北多為平原地區，為地面監測提供良好的條件。作為中國重要的產煤地區，經濟結構比較單一，為解決經濟轉型和環境問題，淮南市已經實施了大量生態保護工作與建設工程等工作。

圖1 研究區地理位置

1.2 數據來源

本研究通過美國地質勘探局網站(https://earthexplorer.usgs.gov/)獲取十景空間分辨率為30m的2005年、2010年Landsat5 TM，2015年、2017年和2020年Landsat8 OLI遙感影像數據作為數據源(行列號分別為121/37、122/37)，結合研究區矢量數據及河流等地圖數據對研究區土地覆蓋利用和植被覆蓋狀況的時空變化進行了監測及分析。

1.3 研究方法

1.3.1 歸一化植被指數

現今，利用遙感資料監測植被覆蓋率已成為主流研究方法之一，通常是利用植被參數來近似估算植被覆蓋率，如使用某一區域的NDVI[11]、葉面積指數LAI[12]、土壤調整植被指數SAVI[13]、大氣修正植被指數ARVI[14]等來估算這一區域植被覆蓋率。其中NDVI是最為常用的植被指數，計算公式：

NDVI=(NIR-R)/(NIR+R)

(1)

式中，NIR為近紅外波段地表反射率；R為紅外波段地表反射率。

研究表明，有植被覆蓋區域的NDVI值大于零，且植被覆蓋率越高，NDVI值越大；在巖石、裸土等地表上，可見光和近紅外的反射率相似，其NDVI值約等于零；而水汽、云、雪等地物上，可見光波段的反射率較高，NDVI值通常小于零。所以NDVI適用于大范圍的植被監測且具有較好的指示性。

利用研究區5a的遙感影像，通過ENVI中對影像數據進行輻射定標、大氣校正及影像裁剪、拼接以獲取預處理過后數據，可更加準確地表示出該地區的地物覆蓋信息。采用多波段遙感影像結合，可以直觀展現植被覆蓋范圍。同時結合多時相遙感數據對比，實現動態監測植被覆蓋率變化情況。

1.3.2 像元二分模型

像元二分模型是使用較為廣泛的遙感估算模型之一，模型假設每個像元所表示的地面區域都是由有植被覆蓋和無植被覆蓋2個部分組成，傳感器所接收到的地物反射光譜信息也是由這2個部分不同的反射光譜信息疊加組合形成，各地物反射光譜信息的權重表示各地物所占部分在這個像元中所占的比例，因此植被覆蓋率可用來表示植被所占比例[15]。

利用像元二分模型估算植被覆蓋率公式：

VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(2)

式中，NDVIsoil為裸地或無植被覆蓋區域的NDVI值；NDVIveg為完全被植被所覆蓋區域(即純植被像元)像元的NDVI值。

利用像元二分模型計算植被覆蓋率的關鍵是計算NDVIsoil和NDVIveg。可以近似視為以下2種情況。

第1種是假設某個區域的地表植被覆蓋率最小值近似為0，最大值可近似視為完全覆蓋，則植被覆蓋率公式：

VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)

(3)

式中，NDVImax為該區域內的NDVI最大值；NDVImin代表該地區NDVI最小值。由于部分混合像元的存在會對成果產生干擾，通常依照遙感資料的實際情況來選取一定適用范圍，取其最大值與最小值作為NDVImax和NDVImin。

第2種情況是假設某個區域內植被覆蓋率的最小值不能取0，最大值未被植被完全覆蓋。在有實測數據的情況下，依靠實測數據選取植被覆蓋率的最大值和最小值分別對應圖像的NDVI極值。若無實測數據，選取一定適用區域依據經驗估算植被覆蓋率極值。

由于NDVIsoil和NDVIveg會因植被類型不同而隨時間和空間發生改變，因此估算植被覆蓋率時，即使取同一景遙感影像，2個值仍不能取為固定。通常需結合土壤背景和土地覆蓋類型圖及野外實測數據，根據像元二分模型中的2種情況分別求解。

1.3.3 貝葉斯分類

由于影響研究結果的因素較多，為提高研究精度，需要對研究區的土地覆蓋類型進行監督分類。監督分類是用已知區域中有關訓練區的土地類型、光譜特征數據及其它輔助數據為樣本，擬合出未知區域的各類土地覆蓋類型的多元統計特征(如均值、方差和協方差矩陣等)，以這種多元統計值作為樣本，對未知區域的各個像元進行相似特征分類。這種分類方法充分利用了對已知區域的各種信息，提前規劃待分類的土地覆蓋類型，當已知區域的土地覆蓋類型具有普遍性時，可以成為整個區域的土地覆蓋類型分類的依靠。

最大似然分類法又稱為貝葉斯(Bayes)分類，是使用最為廣泛的監督分類的方法之一[16]。根據Bayes準則對遙感影像進行分類，計算各像元歸屬在每個組(類)的概率(或稱歸屬概率)，將該像元標本歸屬在概率最大的一組進行分類。計算表示類別函數的概率密度公式:

(4)

式中，P(ωi)為先驗概率，即在被分類的圖像中類別ωi出現的概率。

2 結果與分析

2.1 土地覆蓋類型變化

土地覆蓋指地表面覆蓋物，是一種以土壤、植被為主體，多種外界因素為輔的綜合體。土地覆蓋類型的監測不僅可以研究地表覆蓋地物的變化情況，還可以更精確和直觀地表示出地表面的利用情況，能夠為生態環境、氣候變化、能量流動、人類活動等方面的研究提供參考依據[17]。

為了研究研究區的植被覆蓋率，采用最大似然分類對淮南市2005年、2010年、2015年、2017年和2020年5a Landsat遙感影像數據進行土地覆蓋類型分類，將每年的遙感影像土地利用類型分為植被、居民區、水體和裸地4類，選擇不同的興趣區定義各不同類別的若干訓練樣本，根據不同訓練樣本間的光譜及紋理差異計算樣本的可分離性，因為在目視解譯時某些位置的數據進行采集合成處理時會有一些小的誤差，使分類結果呈現小而密集的斑塊，結合主要分析的方法進行去斑塊的處理使圖像更加平滑。最后通過混淆矩陣進行分類精度評價。經過評定5a分類結果的Kappa系數均超過85%，表明選擇樣本較好地區分了不同地物類型，地物分類精度較高。

圖2為使用貝葉斯分類后的監督分類圖。近年來，研究區4類土地覆蓋類型比例變化較為明顯。其中，植被的比例先減少后增加，主要變化集中于研究區中部及南部，呈現這種變化的原因主要是人為過度開采及居民地的不斷擴張引起；居民區的變化主要集中于研究區中部及東部，呈現出不斷增加的趨勢；水體的區域大致不變，經過研究區的河流主要有淮河、茨淮新河、東淝河和西淝河，近年河流水量較為充足，對流域內植被及農作物生長提供一定的有利條件；裸地的比例不斷減少，不少裸地開墾為農田、建筑用地等類型，表明近年土地利用率不斷提高，人為因素對研究區土地覆蓋變化的影響較為明顯。

圖2 各年份監督分類結果

2.2 植被覆蓋率變化監測

植被覆蓋率指植被冠層的垂直投影面積與區域總面積之比，與植被空間分布、植被冠層形態(LAI、LAD)、太陽入射角與觀測角等參數有關[18]。通常用于植被生長量檢測、生態環境、氣候監測等方面的研究。利用遙感資料數據探討植被覆蓋率的相關因素包含很多參數，如植被長勢和豐度、大氣效應變化信息、土壤背景的反射光譜信息等。已有研究表明，當植被覆蓋率<15%時，植被可以被通過NDVI監測出來，但若植被覆蓋率較低，如干旱-半干旱地區，則其NDVI很難指示區域的植物生物量；當植被覆蓋率達25%～80%時，其NDVI值隨植物量的增加呈線性迅速增加；當植被覆蓋率>80%時，其NDVI值增加延緩而呈現飽和狀態，對植被檢測靈敏度下降。一般來說，作物生長初期NDVI將過高估計植被覆蓋率，而在作物生長的后期NDVI值偏低。因此，NDVI更適用于植被發育中期或中等覆蓋度(低～中等葉面積指數)的植被檢測。

研究分別采用累積頻率為98%和2%的NDVI值作為NDVI的2個極值，以分別代表NDVIsoil值和NDVIveg值，結合2.1節的土地覆蓋類型研究成果，利用ENVI和ArcGIS軟件對淮南市研究區2005年、2010年、2015年、2017年和2020年5a的植被覆蓋率密度進行分割輸出，結果如圖3所示。

圖3 各年份植被覆蓋率

圖4表示由影像分辨率結合數理分析得到植被覆蓋的動態比例。15a研究區的總體植被覆蓋率呈先減少后增加趨勢，在2005—2015年減少較為明顯，2015年后植被覆蓋增加但增勢緩慢，其中淮河流域沿岸植被覆蓋變化不穩定。由此推斷，研究區植被在2005年后遭遇到了大面積的損壞，主要是氣候，降水量變化、礦產資源過度開采、人為破壞等因素造成的。在2015年之后經過人為退耕還林，減少資源開采等人為因素干預，植被覆蓋率有所增加，主要集中于研究區中部及東部地區。預測在之后的年份中，淮南市山北地區的植被覆蓋率將仍以較慢的速度平緩增長。

圖4 植被覆蓋率變化趨勢圖

3 結論與討論

本文基于研究區近十幾年的Landsat遙感數據，以像元二分模型為基礎，依次分析了淮南市八公山、舜耕山等大別山余脈以北及其周邊地區植被生長季的累計NDVI的變化特征、土地覆蓋類型變化及植被覆蓋率與其變化趨勢。本次研究得出以下結論。

2005—2020年，研究區植被NDVI值整體上呈先降后增趨勢，其中變化穩定或無顯著變化趨勢的區域主要分布在研究區北部和中部；不穩定區域主要為淮河流域周邊地區，明顯增加的區域主要分布在研究區西部，明顯減少的區域多位于研究區淮河以南地區。

2005—2020年，研究區植被覆蓋率變化趨勢具有明顯的區域差異。植被主要覆蓋在研究區中西部地區，南部地區較少，淮南市生態保護與建設工程的實施對區域植被整體變化起到了積極作用。雖然淮南市生態保護工程明顯促進了植被恢復，但就淮南市全區而言，植被覆蓋范圍仍然較少，區域植被變化仍主要受氣候、土壤、人為等因素控制。影響淮南市不同地區植被變化的主要因子是不同的，研究區植被的變化除了受降水、氣候的影響外，還受到礦產資源開采的影響。大面積的煤礦開采改變了土壤中的有機質，引起了地面塌陷等系列問題，對植被造成了大面積的不可逆轉毀壞。

使用NDVI為參數來估算植被覆蓋率雖然優勢較明顯，但尚存在局限性。雖然當前遙感影像獲取便捷，但是在某些年份的研究中，仍存在數據受限的情況，對研究成果造成影響；高植被覆蓋率區域NDVI值接近飽和，降低了高植被覆蓋率區域的區別度，這也是接下來的研究方向與重點。