尼洋河流域植被特征時空變化及其對水熱的響應

張潯潯， 楊 斌*， 吳淑瑩， 肖志強， 文 浪， 段陽海， 孫 建

(1.中國地質調查局應用地質研究中心， 四川 成都 610036； 2. 自然資源要素耦合過程與效應重點實驗室， 北京 100055； 3.四川省華地建設工程有限責任公司， 四川 成都 610081； 4.北京師范大學地理學院，遙感科學國家重點實驗室， 北京 100875； 5.中國科學院青藏高原研究所青藏高原地球系統科學國家重點實驗室， 北京 100101)

植被作為陸地生態系統關鍵組成部分[1]，是連接大氣、水體和土壤的自然紐帶[2]，在水土保持、物質循環、能量流動及維持生態系統穩定方面有重要作用[3-4]。葉片作為植被開展光合和呼吸等作用的主要載體，對其進行定量描述是表征生態環境質量變化的重要指標之一[5]。葉面積指數(Leaf area index，LAI)通常被定義為單位土地面積上植物葉片總面積占土地面積的倍數[6]，是具有代表性的植被生物物理參數[7]，在作物的產量估算、森林監測、生態評價和碳循環研究等方面具有重要作用[8-9]。而植被覆蓋度(Fractional vegetation cover，FVC)是指植被(包括葉、枝和莖)在地面垂直投影面積占區內總面積的百分比，是用于反映土地覆蓋變化、自然資源監測和生態系統功能的重要指標[10]。

運用遙感技術來反演LAI是獲取大范圍LAI最為有效和快捷的方法[11-12]，目前反演LAI的遙感模型可分為2類：一類是統計模型[13]，常用的光譜數據包括植被指數、光譜反射率、導數光譜等[14]；一類是物理模型，利用輻射傳輸模型的反向過程反演獲得輸入參數從而達到反演地表參量的目的[15-17]。2類模型均存在普適性較差的缺陷[18-19]。物理模型所需參數眾多，存在數據獲取困難和“病態反演”問題[20-21]。隨著遙感技術不斷發展，遙感數據對非線性物理模型的優化要求提升，常規反演方法已難以解決復雜的非線性問題[22-23]。而神經網絡(Neural networks，NN)是近年來逐漸引入和應用于反演LAI的新方法，在應對這些問題的擬合及模式識別方面具有明顯優勢，成為目前混合反演方法中較為成熟且可準確反演地表參數的方法[24]。神經網絡是一種計算上非常高效的機器學習方法，其具有良好的插值能力，對于生產全球長時間序列的地表參數產品非常有利。國內外學者基于輻射傳輸模型模擬數據訓練的神經網絡反演地表參數時，均取得很好的反演結果。使用廣義回歸神經網絡(General regression neural network，GRNN)從時間序列遙感數據中估算LAI的方法，與當前的中分辨率成像光譜儀(Moderate resolution imaging spectroradiometer，MODIS)和CYCLOPES LAI產品相比，該方法能夠以更高的準確性估算時間上連續的LAI[25]。

現階段的研究主要是關于植被LAI的反演方法和對單一年份LAI空間分布特征的探討[26-29]，缺少運用較高分辨率的遙感數據來反演長時間序列LAI的研究[30]。此外，以往的研究主要是單一LAI或FVC的時空變化特征[30]，難以全面反映區域植被整體變化特征，通過結合長時間序列LAI和FVC，開展植被動態監測的研究還很少見。深入研究植被時空變化特征、變化規律及其影響因素有助于全面了解區域生態環境質量，掌握生態系統植被變化過程及其影響機制。

尼洋河流域作為工布江達縣的“母親河”，不僅是雅魯藏布江五大支流之一，也是流經林芝地區最為完整的一條河流[31]，其區域生態安全關系著地區經濟可持續發展。該流域是我國地質災害較為嚴重的地區之一[32]，故其區域生態環境問題日益成為專家學者研究熱點和難點。本文利用MODIS，VEGETATION等傳感數據的LAI產品及全球范圍LAI的地面測量數據，基于廣義回歸神經網絡，集成時間序列遙感數據反演LAI，利用植被冠層的透過率來估算植被覆蓋度，生成2001—2019年250 m分辨率的LAI和植被覆蓋度數據集，對近19年尼洋河流域植被時空格局和演化規律進行定量分析，探討流域植被變化對氣候因子的響應，為進一步加強植被恢復和管理，保障流域生態安全和可持續發展提供科學依據。

1 材料與方法

1.1 研究區概況

本文研究區為尼洋河流域，地理位置處于29°28′00″N～30°31′00″N和92°10′00″E～94°35′00″E之間[33]，位于西藏自治區東南部林芝地區境內，是雅魯藏布江中下游的一級支流，發源于自治區內米拉山西側的錯木梁拉，自西向東流經工布江達縣和林芝市，于八一鎮則們附近匯入雅魯藏布江[34-35]。

尼洋河全長307.5 km，河流源頭海拔5 000 m左右，總落差2 273 m，流域面積1.753 5×104km2，整體地勢由西向東逐漸降低。植被類型從上游的草甸、草原向下游過渡為常綠針葉林、落葉闊葉林等(圖1)。在氣候區劃上，因受印度洋暖流與北方寒流的影響，形成了尼洋河流域特殊的濕潤和半濕潤并存的多種氣候帶[36]，整體氣候溫和濕潤，年均氣溫8℃左右，年降水量600～900 mm。

圖1 尼洋河流域地理位置及地表覆蓋類型(MCD12Q1)圖Fig.1 Geographical location and land cover type map of Niyang River Basin(MCD12Q1)注：本研究采用的是MCD12Q1產品中土地覆蓋分類1(IGBP的全球植被分類)方案。該方案的相關系數R值為98.22%～99.61%，在區域尺度上相比其他方案IGBP的一致性最佳[37]Note:This study adopts the global vegetation classification scheme of land cover classification 1(IGBP in the MCD12Q1) product. The correlation coefficient r value of this scheme is 98.22%～99.61%,and the consistency of IGBP is the best compared with other schemes on the regional scale

1.2 數據與方法

1.2.1葉面積指數反演數據與方法 本文利用多分辨率衛星遙感產品(MUlti-resolution Satellite remote Sensing products，MUSES)LAI反演算法集成時間序列的遙感觀測數據，其中遙感數據來源于美國國家航空航天局(National aeronautics and space administration，NASA，https://search.earthdata.nasa.gov/)的地表反射率數據(MOD09Q1)，空間分辨率為250 m，數據每8 d一期，每年46期，并利用人工神經網絡方法生產時空連續的長時間序列的全球葉面積產品，具體算法流程如圖2所示。

廣義回歸神經網絡可以被劃分為4層：輸入層、隱層、總和層、輸出層(圖3)。輸入層把輸入向量X傳遞給隱層的所有單元；隱層包含所有的訓練樣本Xi(i= 1,2,…,n)，當給定一個輸入向量X，計算X和訓練樣本之間的距離，并帶入概率密度函數；總和層有2個計算和函數的單元A和B；輸出層計算A除以B，得到預測結果[25]。

1.2.2植被覆蓋度估算數據與方法 利用植被冠層的透過率可以估算出高質量和準確的植被覆蓋度[38]。當光入射到植被冠層頂部時，透過植被冠層的光的比例可以用以下的公式來近似計算。

(1)

其中，Ω為聚集指數，lai為葉面積指數，φ為太陽天頂角，a是葉片的吸收率，kc(φ)為冠層衰減系數。kc(φ)由式(2)計算。

(2)

其中，x冠層葉片在水平和垂直表面上平均投影面積之比，針對不同植被類型，分別賦予x不同的值。

由植被覆蓋度的定義，植被覆蓋度的大小為1減去太陽天頂角為0度時的冠層透過率，即

fCover=1-Ptr(0)

(3)

對式(3)的輸入參數進行敏感性分析的結果表明葉面積指數是對植被覆蓋度變化最敏感的輸入參數。利用以上方法計算植被覆蓋度時，將反演得到的葉面積指數數據集作為式(3)的輸入，計算得到植被覆蓋度，確保了葉面積指數和植被覆蓋度兩個參數數據集的物理一致性[38]。

圖2 MUSES LAI反演算法流程圖Fig.2 Flow chart of MUSES LAI inversion algorithm

圖3 GRNN網絡結構圖Fig.3 GRNN network structure

同時根據相關資料結合植被覆蓋特征以及FVC影像的精度，通過密度分割將植被覆蓋度分為高、中、低、極低(裸土)4種覆蓋類型，用以探究不同植被覆蓋類型時空變化趨勢：(1)當植被覆蓋度大于0.75時，為高覆蓋類；(2)當植被覆蓋度介于 0.35～0.75之間時，為中覆蓋類；(3)當植被覆蓋度介于0.10～0.35時，為低覆蓋類；(4)當植被覆蓋度小于0.10時，為極低覆蓋類(裸地)[39]。基于以上方法，利用預處理后的MODIS地表反射率數據，完成2001—2019年尼洋河流域250 m分辨率葉面積指數數據集的反演，時間分辨率為8 d。在此基礎上，利用250 m分辨率葉面積指數數據集，計算出尼洋河流域2001—2019年250 m分辨率的植被覆蓋度數據集，時間分辨率為8 d。

1.2.3植被時空特征及水熱響應的數據與分析方法 在植被空間分布特征研究中，本文分別選取每年第33 d和第217 d作為LAI和FVC的空間分布研究時間，這兩天分別對應于尼洋河流域的冬季和夏季。通過對LAI和FVC具體的數值分析表明，在第33 d前后流域植被生長緩慢，LAI和FVC值最小。而在第217 d前后，尼洋河流域的植被生長達到頂峰，葉面積指數和植被覆蓋度值最大，是兩個最具代表性的時間節點。

植被生長與水熱的關系密切，本文采用ERA5 (ECMWF Reanalysis)再分析數據分析了尼洋河流域植被對水熱變化的響應。ERA5再分析數據是由歐盟資助、ECMWF(European Centre for Medium-Range Weather Forecasts)運營的哥白尼氣候變化服務打造的最新一代再分析數據[40]。本文僅選擇與植被生長最為密切的溫度、降水2個要素來開展水熱變化對尼洋河流域植被的影響分析。為了消除氣候因素之間的干擾，采用偏相關分析方法來探討尼洋河流域植被對氣候變化的響應情況。偏相關分析法的公式如下[41]：

(4)

式中：Rxy,z為去除變量z干擾后變量x，y之間的偏相關系數,Rxy，Rxz和Ryz分別為變量x與y，x與z，y與z之間的相關系數。

2 結果與分析

2.1 空間分布特征

2.1.1葉面積指數 如基于GRNN反演得到2001—2019年尼洋河流域LAI空間分布圖所示(圖4)，流域葉面積指數空間分布情況在近19年無明顯變化，尼洋河流域地形起伏較大，植被主要沿尼洋河河流周圍區域生長，在離河流較遠的高海拔區域，很少有植被生長，全年葉面積指數值接近為零。根據MODIS地表覆蓋類型(圖1)，在尼洋河河流兩岸的區域分布有常綠針葉林，因此，即使在第33 d，尼洋河河流兩岸大部分區域的葉面積指數值都在1.0以上。在第217 d，沿尼洋河河流周圍區域植被葉面積指數值可達5.0以上。

圖4 2001—2019年第33 d和第217 d LAI空間分布圖Fig.4 The spatial distribution of LAI on the 33rd and 217th days from 2001 to 2019

2.1.2植被覆蓋度 基于植被冠層透過率原理將反演得到的LAI數據作為估算植被覆蓋度輸入數據，得到2001—2019年尼洋河流域植被覆蓋度空間分布圖(圖5)，近19年尼洋河流域植被覆蓋度空間分布狀況基本無明顯變化，與葉面積指數的空間分布特征類似，植被集中覆蓋在尼洋河河流周圍區域。在第33 d，僅沿河流兩岸有常綠針葉林分布的區域，植被覆蓋度不為零值，最高可達0.5以上，而在其它離河流較遠的區域，植被覆蓋度值都接近為零。在第217 d，在尼洋河河流周圍區域植被覆蓋度值相對較大，在離河流較遠的高海拔區域，植被覆蓋度值仍接近為零。

2.2 時間序列分析

植被LAI和FVC在時間序列上總體均呈現出輕微改善趨勢。近19年尼洋河流域植被LAI整體呈緩慢增加趨勢，每年增長速率為0.001 3，多年平均值為0.592 8(圖6)。2001—2006年期間，LAI呈明顯增加趨勢，植被長勢良好；2006—2009年，LAI呈下降趨勢，植被退化；2009—2013年、2014—2017年期間，LAI呈緩慢增加趨勢，植被生長狀態有所改善。近19年尼洋河流域植被覆蓋度總體保持穩定略增長趨勢，每年增長速率為0.000 6，多年平均值為0.273 5。2004—2006年期間，FVC呈明顯增加趨勢，植被狀態良好；2006—2009年和2017—2019年，FVC呈下降趨勢，植被生長有所退化；2010—2013年和2014—2017年期間，FVC呈緩慢增加趨勢，植被生長狀態有所改善。

圖5 2001—2019年第33 d和第217 d FVC空間分布圖Fig.5 The spatial distribution of FVC on the 33rd and 217th days from 2001 to 2019

圖6 LAI和FVC年際變化趨勢Fig.6 Inter-annual change trends of LAI and FVC

2.3 流域植被生長狀況時空變化

尼洋河流域植被2001—2019年葉面積指數時空變化可反映植被生長狀況的總體時空變化趨勢。通過對每個像元19年的年平均LAI進行線性擬合，擬合斜率表示逐年變化趨勢。利用年最大植被覆蓋度確定尼洋河流域2019年四種覆蓋類型的空間分布，并對尼洋河流域四種覆蓋類型2001—2019年的面積變化進行分析。如圖7所示，在尼洋河流域，大部分區域植被呈現增長的態勢，增長指數主要集中在0.02之內，增漲幅度較小。相對整個流域植被變化情況而言，出現明顯增長趨勢的區域主要集中在沿河流兩岸，大部分區域增長指數在0.04以上，部分區域峰值可達到0.1，植被生長狀況變好趨勢明顯，但也存在部分區域，LAI呈現明顯下降趨勢。

圖7 2001—2019年LAI變化趨勢空間分布圖Fig.7 The spatial distribution of LAI change trend from 2001 to 2019

根據尼洋河流域2019年極低、低、中和高覆蓋四種類型的空間分布圖(圖8)，可以看出尼洋河流域主要以中覆蓋和極低覆蓋類型為主，其次是低覆蓋類型。中覆蓋類型主要分布在尼洋河流周圍區域，而在遠離尼洋河的高海拔區域主要為極低覆蓋類型。在尼洋河流域(圖9)，極低覆蓋類型的面積占比呈現下降的趨勢，而高覆蓋類型的面積占比呈現上升趨勢，其它兩類覆蓋類型的面積占比無明顯變化趨勢。由四種覆蓋類型面積變化趨勢圖(圖10)可知，尼洋河流域2001—2019年高覆蓋和中覆蓋類型區域面積呈現擴大趨勢，極低覆蓋和低覆蓋類型則逐年縮小，其中極低覆蓋類型的面積縮小幅度最大，每年降低速率為16.100，從2001年的5 638 km2減少為2019年的5 311 km2，面積擴張幅度最大的是中覆蓋類型區域，每年增長速率為15.205，而高覆蓋類型的面積則從2001年的298 km2增加到2019年的318 km2。由此表明極低覆蓋類型的區域植被長勢逐漸變好，高覆蓋類型區域面積增加，尼洋河流域植被逐年呈現改善趨勢。

圖8 2019年四種覆蓋類型空間分布圖Fig.8 The spatial distribution of four coverage types in 2019

圖9 2001—2019年四種覆蓋類型的時間序列變化曲線圖Fig.9 Time series change curve of four coverage types from 2001 to 2019

圖10 2001—2019年四種覆蓋類型面積變化趨勢圖Fig.10 Change trend chart of four types of coverage area from 2001 to 2019

2.4 水熱變化對流域植被影響分析

通過計算尼洋河流域LAI,FVC、氣溫、降水的標準距平值來分析流域植被對水熱的響應情況，標準距平相比于距平能在消除離差的基礎上降低自相關誤差帶來的影響。由圖11可知，2001—2019年葉面積指數和植被覆蓋度整體呈現出輕微改善的趨勢，且兩者的變化趨勢趨于一致。在2001—2009年，年平均溫度在標準距平值—2和2范圍內上下波動，于2010—2012年出現下降趨勢，在2013—2017年氣溫逐漸回升并在2017年達到溫度峰值，存在明顯突變的年份出現在2002年、2009年和2018年。2001—2019年降水基本保持在標準距平值—1和1的范圍內，主要呈現上下波動的狀態，但在2004—2006年降水出現大幅度下降。由圖11可知，尼洋河流域年均氣溫與LAI,FVC的變化規律不一致。而在2003—2004年和2017—2019年年降水較高的年份內，同時期的植被長勢均較差，在2005—2007年和2011—2013年總體降水較低的年份內，植被長勢則得到明顯改善。由此遞推發現，降水量明顯升高的年份，植被生長狀態不佳。而降水量相對減少的年份，植被長勢逐漸改善，表明在降水豐富的尼洋河流域過多的降水對植被生長存在一定的抑制作用。

為了排除影響因素之間的干擾，本文采用偏相關分析方法來探討氣溫、降水與植被生長狀況之間的相關性，得到2001—2019年LAI與降水量、氣溫之間的偏相關系數分別為—0.512，—0.137，FVC與降水量、氣溫之間的偏相關系數分別為-0.433，-0.131，且均通過了0.05的顯著性檢驗，由此表明降水是影響尼洋河流域植被生長的主要影響因素，且與LAI，FVC均呈現負相關關系，而氣溫對尼洋河流域植被生長影響程度較小。

圖11 2001—2015年LAI，FVC與氣溫、降水標準距平圖Fig.11 Standardized anomalies of LAI,FVC,temperature and precipitation from 2001 to 2019

3 討論

本研究采用的廣義回歸神經網絡的方法與業內其他LAI產品相比，在保證反演數據質量和準確性的基礎上生成了更高空間分辨率的LAI和FVC數據集，有效地提升了研究結果的準確性。肖志強等人運用該方法反演LAI亦取得了很好的反演結果[25]。由上述結果可以發現，尼洋河流域的植被生長狀況在夏季和冬季存在著明顯的差異，這是由于尼洋河流域植被受氣候的影響很大，植被需要在適宜的水熱條件下才得以生長，而夏季相對于冬季，水熱條件更適合植被生長。但當遇到強降水等特殊氣候時，尼洋河流域植被生長會受到一定的抑制作用。加之尼洋河流域地質環境條件脆弱，流域內常發生泥石流、崩塌、滑坡等地質災害，植被生長會受到直接影響。因此，開展流域植被生長狀況的時空分析和特殊氣候的相關研究，必然成為當前生態科學研究的前沿與熱點問題，能為該流域內各類型地質災害的防治工作提供科學依據和技術支持，也能更好地服務于地區的經濟建設[42]。

作為表征氣候重要參數的降水和氣溫，對其進行動態監測，深入剖析水熱過程與植被生長狀況間的耦合關系至關重要[43]。而全球氣候變化背景下的青藏高原暖濕化加劇，增加了尼洋河流域植被生長變化的復雜性和不確定性。尼洋河流域在過去幾十年曾暴發過多次大洪水，隨著全球氣候變暖，出現更多高溫、暴雨洪澇、干旱等極端天氣的可能性增加[43]。根據上述研究結果表明，相對于氣溫而言，植被對降水的響應更為敏感，降水是影響尼洋河流域植被生長的主要影響因素，這一結果與盧喬倩等人的研究結果相一致[44]。尼洋河流域位于藏東南地區，降水量豐沛，而過大的降雨量對尼洋河流域植被生長起到了一定程度的抑制作用，兩者之間呈現出負相關性。這是由于降水是影響河流水文情勢中最活躍的因素，降水量的大小及其時空分布情況，對河川徑流、水化學和泥沙等方面的變化均有直接影響[33]。因此，當出現連續強降水的特殊天氣時，尼洋河流域內易引發泥石流、滑坡、洪水等地質災害，致使植被難以生長。因此，進一步加強氣象、水文和植被監測等站網建設，提升流域降水、氣溫等預報工作的準確度，對完善植被保護措施具有重要意義。

由于現有數據的限制，本文僅選擇了對植被生長起主要影響作用的溫度和降水兩個要素來開展植被特征時空變化對水熱的響應研究，而其他影響要素(包括蒸散量、相對濕度、日照時數等)對尼洋河流域植被生長的影響程度還有待進一步研究，同時在后續研究中需要兼顧人為因素的作用效果。

4 結論

本研究通過遙感手段，基于廣義回歸神經網絡方法探討了流域植被參數時空變化特征及其對水熱因子的響應情況，發現2001—2019年以來，尼洋河流域植被總體呈現輕微改善趨勢，河流兩岸植被生長狀況明顯變好；偏離河流的高海拔區域植被生長狀況不佳，并隨海拔高度的上升植被狀況越差；流域植被覆蓋類型以中和極低覆蓋為主，中覆蓋類型集中于河流兩岸，極低覆蓋類型分布在遠離河流的高海拔區域，極低覆蓋區域植被改善，河流兩岸的高覆蓋類型區域面積增加；相對于氣溫而言，降水是影響尼洋河流域植被生長的主要因素，過多的降水對植被生長存在一定的抑制作用。研究結果可為進一步完善流域植被管理和保護措施提供參考，對制定區域可持續發展戰略具有重要的現實意義。