基于NDVI-DFI分析新疆戈壁區植被的時空變化

宋吉梅，夏 楠，海文月，唐夢迎

(1.新疆大學地理科學學院，烏魯木齊 830017；2. 新疆智慧城市與環境建模普通高校重點實驗室，烏魯木齊 830017；3. 新疆環境保護科學研究院，烏魯木齊 830011)

【研究意義】荒漠地區由于極度缺水導致植被稀少，荒漠化也越嚴重。對干旱區而言，植被在穩定生態系統中發揮著至關重要的作用[1]。因此，在研究中獲取植被覆蓋信息，對區域環境承載力的評估和因地制宜進行生態環境保護具有重大意義。運用遙感技術提取植被覆蓋信息已被業界廣泛認可，其中基于混合像元理論的像元二分法對植被覆蓋度的估算能達到一定的精度要求[2-4]，但將該方法用于稀疏植被覆蓋區的估算時，結果偏差較大[5-6]。這是由于像元二分模型對大量分散的植被像元信息缺乏有效識別，同時干旱區植被葉面積小，所反射的有效光譜信息較少。像元三分模型能提取出干旱區大量分散的干枯植被信息，進而識別出裸地和干枯植被，相比像元二分法，其對混合像元的識別更加接近地表真實情況。【前人研究進展】為提高稀疏植被的遙感監測精度，Guerschman等[7]于2015年根據植被存在光合植被(PV)、非光合植被(NPV)、裸地(BS)的特征，利用中分辨率成像光譜儀(Moderate-resolution imaging spectroradiometer，MODIS)產品數據和混合像元三分法開展反演植被信息的研究，得到誤差較小的實驗結果，能夠滿足對稀疏草原區的fPV和fNPV的時空分布估算要求。Cao等[8]通過分析MODIS紅光、近紅外、短波紅外波段的特征提出干枯燃料指數DFI，其估算NPV的精度可達80%。王光鎮等[9]在此基礎上通過NDVI和DFI構建NDVI-DFI指數結構特征，隨后總結出NPV的2種常用估算方法：光譜混合分析法和光譜指數法[10]。鄭國雄等[11]采用高光譜數據運用線性光譜混合模型(Linear spectral mixture model，LSMM)提取PV和NPV信息，肯定了高光譜數據對于區分NPV和BS的優勢。以上研究對于NDVI-DFI像元三分模型的提出和應用提供了一定的理論基礎和方法依據。【本研究切入點】在荒漠—綠洲交錯地帶，植被對土壤保持和荒漠化防治有較大的影響，運用遙感手段監測新疆荒漠綠洲交錯帶植被覆蓋度的變化以及檢驗像元三分模型在該區域的適用性。【擬解決的關鍵問題】本研究選取2008—2017年不同時相的Landsat8影像，運用NDVI-DFI像元三分模型對準噶爾盆地東部荒漠綠洲交錯帶的地表植被覆蓋度進行遙感監測，通過交互式目視解譯并運用高分2號影像提取植被指數評價模型精度，可以為使用像元三分模型在新疆荒漠綠洲交錯區域提取植被信息的區域適用性提供參考，也可為該區在新發展機遇下的生態質量評估和綠色發展提供數據支撐。

1 材料與方法

1.1 研究區概況

本文研究區選定新疆戈壁典型區域準東經濟技術開發區(圖1)，該區位于新疆卡拉麥里山南麓的開闊地帶(88°30′～90°30′E，44°01′～45°00′N)，研究區面積約1.44×104km2，位于吉木薩爾縣、奇臺縣和木壘縣境內，地形平坦，海拔500～700 m，歷年年均潛在蒸發量(2050 mm)遠大于歷年平均年均降水量(185 mm)[12]，氣候極為干旱，生態極其脆弱。土壤有機質含量均很低(表層土壤含量小于2%)，野外自然生長植物多為荒漠地區典型植被，常見的植物種類包括叢生的駱駝刺(AlhagisparsifoliaShap.)和鹽生假木賊(Anabasissalsa)，荒漠地區的地帶性植被琵琶柴(Reaummuriasoongorica)，對防風固沙有一定作用的白梭梭(Haloxylonpersicum)和刺旋花(Convolvulustragacanthoides)等植物。該地區煤炭資源儲量巨大，含煤面積901 km2，內設5個露天礦、3個井工礦和3個后備區，其中露天礦的預計開采量達2×107t/年。2005年12月當地決定建設準東煤電煤化工產業帶，于2009年9月開始開采。

左圖黃色方框為準東經濟技術開發區，右圖為該區域2017年7月份假彩色圖像The yellow box on the left is a reference to Zhundong-Xinjiang Economic & Technological Development Zone, and the right is a false color image of the region for July 2017圖1 研究區示意圖Fig.1 The image of study area

1.2 數據來源和處理

本文選擇共4景Landsat TM/OLI衛星影像作為數據源，空間分辨率30 m、時間分辨率16 d，均從美國地質調查局(USGS)網站(https://glovis.usgs.gov/)下載。4景影像獲取時間分別為2008年7月29日和8月7日，2017年7月31日和8月9日，影像拍攝期間研究區植被生長狀況良好，且影像含云量低(含云量<5%)，總體質量較高。分別對每景影像進行輻射定標和大氣校正后得到對應像元的地表真實反射率值，之后用同一年的兩景影像拼接、鑲嵌，獲得可以覆蓋整個研究區2008年和2017年植被生長旺季的遙感影像。研究所使用的高分二號影像數據從北京迅捷時代科技有限公司付費獲取，影像拍攝時間為2017年7月27日。

1.3 研究方法

1.3.1 歸一化植被指數 歸一化植被指數(NDVI，Normalized difference vegetation index)不僅具有較強的植被指示性，能很大程度上反應植被的生長狀態，而且具有較強的區域實用性，對于區域內植被的空間分布密度有良好的表征作用。因此，NDVI作為一個因子用來觀測PV時，具有很好的指示性。NDVI計算公式如下：

NDVI=(BandNIR+BandR)/(BandNIR+BandR)

(1)

式中：R和NIR分別對應Landsat8影像的Band4和Band5，是地物在紅光、近紅外波段的反射率值。

1.3.2 干枯燃料指數 干枯燃料指數(Dead fuel index,DFI)是根據干枯植被在多光譜遙感圖像的波段響應特征而建立的，其主要是NPV的高光譜數據響應特征(PV的反射率值在650和850 nm處小于NPV和BS，在1650 nm 處大于NPV和BS，NPV的反射率值于2100 nm處介于PV和BS中間)在多光譜波段的推廣。DFI的計算如下[8]：

DIF=100×(1-BandSWIR2/BandSWIR1)×BandR/BandNIR

(2)

式中：SWIR1和SWIR2分別對應Landsat8影像的Band6和Band7，是地物在短波紅外1、短波紅外2的反射率值。

1.3.3 使用NDVI-DFI指數結構特征判識遙感圖像的不同端元 NDVI-DFI指數結構特征認為每個待測像元的構成包括PV、NPV以及BS 3個組分，3個組分構成的空間形狀接近于三角形(圖2)，NDVI和DFI的值滿足線性函數，DFI指數的值域可包含較大的負值。在這個三角形中各組分的分布位置取決于其DFI和NDVI值的高低：NDVI、DFI均低的BS組分處在空間中左下角的位置；NDVI低、DFI高的NPV分布在左上角；NDVI高、DFI低的PV則位于整個三角形的中間偏右下。

圖2 NDVI-DFI指數結構特征Fig.2 NDVI-DFI index structure characteristics

1.3.4 遙感判識效果的實地調查驗證 為驗證NDVI-DFI像元三分模型對PV、NPV和BS 3種地物識別的準確度，筆者于2017年7月前往準東經濟技術開發區，選取研究區內的建筑廠房區和農田荒漠交接帶兩塊區域進行實地調查(圖3)，并和NDVI-DFI像元三分模型反演結果進行對比分析。

圖3 研究區2017年實地調查驗證照片Fig.3 Validation photos from 2017 field investigation in the study area

1.3.5 基于高清影像的重采樣驗證 選擇空間分辨率較高(全色1 m、多光譜4 m)的高分2號影像數據，通過重采樣至30 m分辨率后計算得到NDVI值，并以此作為驗證數據[13-14]對估算結果進行驗證(圖4)。其中區域一是農田和荒漠交錯帶，荒漠植被覆蓋相對密集下墊面特征比較典型，能很好地代表研究區植被覆蓋情況；區域二是建筑物區，以此來驗證NDVI-DFI像元三分模型在城區或工業用地的植被覆蓋信息提取精度。使用ArcGIS 10.6軟件等間距隨機布點，在區域一選取85個點，在區域二選取50個點。

①痊愈：癥狀、體征、潰瘍及炎癥均消失。②顯效：癥狀、體征明顯減輕，潰瘍面消失，但存在炎癥。③有效：癥狀、體征有所改善，潰瘍面縮小≥50%。④無效：未達到有效標準。

圖4 精度驗證區Fig.4 Verification area

2 結果與分析

2.1 區域內端元特征值的確定

通過提取NDVI-DFI指數結構特征各頂點純凈端元的平均指數值作為相應端元的特征值(表1)。從表1可以看出，2008年和2017年在PV端的NDVI均比在NPV端和BS端大得多，這表明在1.2節中選取NDVI作為表征PV端的因子是可行的；同理，NPV端的DFI均大于PV和BS，說明干枯燃料指數DFI可以作為主要因子來觀測NPV。NDVI軸BS

表1 端元特征值信息統計

由2008年和2017年NDVI-DFI指數結構特征散點圖(圖5)得出二者散點圖相近，表現為形狀較好的相似三角形。2017年三角形外圍有大量散點，表明該年與2008年地表環境存在一定差異，通過對端元值交互判讀發現，這些散點對應的區域為準東煤礦區裸露地表堆積的煤炭和水體，同時NPV端散點不連續分布，說明研究區地表因子受人為影響而發生改變。有大量的散點分布于NDVI值在0～0.3，表明研究區較多分布稀疏植被。2008年和2017年，NDVI值和DFI值的變化關系整體分為兩個階段：第一個階段為同向增長，NDVI值在0～0.3內，隨著NDVI的增大DFI也相應增大；第二個階段為負相關，NDVI值介于0.3～0.8，此時隨著NDVI值的增大DFI值逐漸減小，且2017年的整體變化率大于2008年。

圖中紅色代表散點分布集中區域，越靠近藍紫色散點分布越分散The red color in the figure represents the region where the scattering points are concentrated.The closer you get to the bluish-purple scattering points, the more dispersed they are圖5 準東經濟技術開發區NDVI-DFI指數結構特征散點圖Fig.5 Scatter plots of NDVI-DFI characteristic space of Zhundong Economic-Technological Development Park

2.2 端元面積占比的估算分析

為統計PV、NPV、BS的具體覆蓋面積，將以上因子特征值作為計算變量代入像元三分模型中進行運算，分別給fPV、fNPV和fBS賦予不同的顏色進行合成，彩色合成結果見圖6。RGB彩色合成圖中，綠色代表在此區域中PV的分布面積占比最大，紅色代表此區域中NPV的分布面積占比最大，藍色代表此區域中BS的分布面積占比最大。圖中的黑色區域是原先地面上被水體和陰影覆蓋的地方，在圖像上經過掩膜對這些區域進行屏蔽，使其不參與計算。由fPV、fNPV和fBS的估算結果得出，2008年fPV的分布區域主要是南部農田耕種區；fNPV集中分布在農田荒漠混交地、荒漠和山地；fBS主要集中在在準東的北部、中部和東部。相比2008年，2017年fPV變化較少，面積增加5.32%，主要受耕地變化影響。fNPV和fBS變化顯著，其中fNPV在中部荒漠腹地增長明顯，尤其是以東部芨芨湖綠洲為中心的大片區域，平均覆蓋度為0.52。研究區fNPV增長顯著與該區域地理環境關系密切。準東荒漠植被大多以短命草本和耐旱梭梭、琵琶柴和小喬等為主，干旱環境不利于植物殘體分解，在地表容易堆積大量NPV。fBS主要分布在北部戈壁平原，該區域為大片的砂石裸地，幾乎無植被生長(相關數據通過ENVI軟件的統計工具得出)。

圖6 準東經濟技術開發區fPV、fNPV和fBS估算結果Fig.6 Evaluating result of fPV, fNPV and fBS in Zhundong Economic-Technological Development Park

2.3 植被覆蓋度估算結果分析

2.3.1 植被覆蓋度各等級面積占比和變化 統計分析fPV的反演結果，2008年和2017 年研究區的fPV值分別為9.28%和11.49%。根據相關研究[15-16]和研究區植被覆蓋特點，分別將2008年和2017年的fPV劃分為5個等級(表2)。2008年各等級植被占比最高的是I級植被，為84.11%(面積12 071.85 km2)，2017年分布最多的依然是I級植被，為74.78%(10 732.01 km2)，但是面積比2008年減少9.34%(1339.84 km2)。2008—2017年各等級植被覆蓋面積復合增長率分別為-9.34%、9.27%、-0.36%、-0.55%和0.97%，植被覆蓋度減少的植被等級是I、III和IV級，增加的是II和V級。其中II級植被增長1330.91 km2，增加面積最大，V級植被的面積增長139.75 km2。上述結果說明，這十年間準東地區植被覆蓋度變化總體上表現為增長狀態，且植被覆蓋轉變是由低級向高級進行。

表2 植被覆蓋度分級統計

2.3.2 植被覆蓋度的年際轉移狀況 使用 ENVI 經典版的相關模塊(密度分割和轉移矩陣)得到不同等級植被覆蓋度面積轉移矩陣(表3)。相較于2008年，2017年共有11 408.95 km2的植被未發生變化(對角線之和)，變化的面積有2939.63 km2。從低級向高級轉變的過程中，I級轉向II級的面積最大，達1621.62 km2，占變化面積的55.16%，轉移面積第二大的是從IV級轉向V級的面積，為130.57 km2，占變化面積的4.44%，II級轉向III級的面積為105.06 km2，占總變化面積的3.57%；從高級向低級轉變的過程中，變化面積最大的轉移過程是從II級轉向I級，為208.89 km2，占變化面積的7.11%，變化面積第二大的是從III級轉向II級，為109.96 km2，占變化面積的3.74%，V級向II級的轉換面積，為76.58 km2，占變化面積的2. 61%。如上所述，2008—2017年植被覆蓋度的年際轉移情況是：從低級轉為高級的面積大于從高級轉為低級的面積，且主要為I級轉向II級，即總體上表現為恢復面積>退化面積。

表3 不同等級植被覆蓋度的面積轉移矩陣

2.4 結果驗證

2.4.1 典型土地利用類型區的判識效果調查 為進一步探究像元三分模型對PV、NPV和BS 3種地物識別的準確度，參考有關研究方法[3]利用像元二分法估算2017年的植被覆蓋度，將結果和用像元三分模型反演的結果進行對比分析。從圖7可以看出，使用兩種方法估算的2017年植被覆蓋狀況，結果具有很高的相似性，由此說明兩種方法均可以在一定程度上估算研究區的植被覆蓋狀況。

圖7 基于兩種模型的fPV局部對比分析Fig.7 Comparison of fPV on the two models

為了更直觀的對比兩種方法，選擇兩處具有代表性的區域詳細分析。圖7中標注的建筑區為準東經濟開發區東方希望產業園，該區域大部分為建筑廠房，像元三分模型結果將其解釋為裸地，而像元二分模型結果則將該區域判別為高植被覆蓋區，與實際情況顯著不符，說明像元二分模型易受建筑屋頂干擾從而對植被覆蓋過分估計。另一處選擇農田和荒漠交接帶作為NPV覆蓋驗證區，經過野外調查獲知該區域為撂荒的旱地，早期種有玉米和小麥，地面上隨機散落大量的植物組織和部分分解產物。像元二分模型在該處的反演過程中存在部分信息缺失的情況，即對該區域是無分別的判讀，沒有區別出BS和NPV各自的空間分布特征。而在像元三分模型的估算結果中，既判定該區域同樣為極低的植被覆蓋，又同時得到BS和NPV的分布特征(圖7-D)。由此看來，針對此區域光合植被、非光合植被和裸地的分布特征，使用像元三分模型反演得到的結果更接近地面真實情況。

此前大多數學者通過像元三分模型估算稀疏草原植被覆蓋度，由于研究區域十分開闊，居民稀少，尤其是工廠建筑較少，從而忽略了像元三分模型的優勢。本研究區北部為準東經濟技術開發區，存在大量煤電煤化工工廠，建筑屋頂易被識別為植被，而且經NDVI計算的建筑屋頂依舊被識別為植被[17]。因此，像元三分模型不僅適用于低植被覆蓋區，而且可用于城區或工業用地的植被覆蓋信息提取。更者，該模型能夠估算干枯植被，也可為森林和草場火災預警提供監測手段。

2.4.2 高清影像重采樣的NDVI指數驗證 將高分2號影像重采樣后計算得到的結果與像元三分法模型結果進行定量分析(由ArcGIS軟件Extraction工具提取至點后統計)。在驗證區一(圖8-a)，二者相關系數為0.817(P<0.01)，二者趨于y=0.5796x+0.026直線，其決定系數R2為0.667；在驗證區二(圖8-b)，二者相關系數為0.806(P<0.01)，二者趨于y=0.9826x+0.0105直線，其決定系數R2為0.6503。經回歸分析進行精度驗證表明，像元三分模型對準東經濟技術開發區荒漠稀疏植被的估算結果滿足精度要求。

圖8 像元三分法計算結果與高分2號重采樣計算結果的關系Fig.8 The relation between the results of three-component pixel model calculation and GF-2 resampling calculation

3 討 論

在植被恢復過程中，I級向II級變化面積占比最大，其次為IV級向V級變化面積占比，但2個占比值大小相差懸殊(相差約50%)，表明植被稀疏地區大面積恢復為良好生態區是困難和漫長的；生態退化過程中，II級向I級變化面積占比最大，其次為III級向II級變化面積占比，說明低植被覆蓋區生態條件很容易惡化，表現出植被覆蓋度越低，其生態脆弱性越嚴重。說明在治理修復時，應將退化區域作為重點治理區域。郝家田等[18]在研究2009—2018年黃河流域林草植被覆蓋變化時發現，植被退化區域主要分布在林草低植被覆蓋度的毛烏素沙地、隴中黃土高原等，與本研究中生態退化主要發生在低植被覆蓋區這一結果有相似。其成因主要是：①低植被覆蓋區陸面表層保水性差、易蒸發失水，也易于水土流失(導致土壤肥力下降和土層變溥)；②低植被覆蓋區夜間因長波輻射較大而散熱、晴日因接受太陽短波輻射多而增溫快，導致環境溫度變化幅度大，從而加大植物受低溫冷凍和高溫干旱的機率，造成植被難以存活、生長繁茂起來。2008—2017年研究區整體植被覆蓋度變化呈增長趨勢，且面積增加的主要是II級(低荒漠)植被，與前人的研究結果基本一致：崔燦等[19]在分析新疆1989—2017年荒漠植被的分布面積及時空變化特征時發現，1989—2017年新疆荒漠植被變化以低荒漠植被面積的增加為主，南疆低、高荒漠植被面積均呈顯著增加趨勢(P<0.01)，主要集中在準噶爾盆地。張清嵐等[20]綜合運用像元二分模型等方法對準格爾盆地植被覆蓋度時空變化特征進行定量分析，發現2000—2018年準噶爾盆地平均植被覆蓋度呈現增加趨勢。進一步分析研究區植被狀況得到改善的原因，近年來當地在生態恢復方面做了較多的工作，并且成效相對顯著。2012—2016年，吉木薩爾縣引進一種新的荒漠造林技術即不使用灌溉管件栽種梭梭，種植梭梭3.15×105株/公頃，成活率高達75%，防沙治沙效果十分顯著。2017年7月起，卡拉麥里山自然保護區實行封山育林工程，具體措施有：在現狀植被覆蓋較好的區域重點加強生態公益林建設，使原來的低級植被覆蓋逐漸轉向中高級；在沙漠邊緣地區，重點控制土地沙化；在城市里，逐步完善城市園林和綠地。這一系列積極的生態保護政策，有效地保持了當地的生境水平，在一定程度上推動了研究區植被狀況的改善。

本研究應用NDVI-DFI像元三分模型分析了新疆某戈壁區——準東經濟技術開發區2018—2017年的植被時空變化特征，植被等級年紀轉移狀況，并進一步分析了當地生態條件改善的原因。研究結果驗證了NDVI-DFI像元三分模型在新疆荒漠綠洲交錯區域提取植被信息的區域適用性，也可為其他生態環境相類似的區域生態恢復治理提供參考。但由于數據量有限，本研究僅分析了研究區的植被年際變化情況，沒有分析植被覆蓋度季節性轉移情況。因此，在今后的研究中將會選取多源遙感數據，增加時間序列的子序列，多尺度多角度分析研究區的植被覆蓋度，以期為當地生態質量評估提供更全面的數據。

4 結 論

在干旱與半干旱地區，地表覆蓋著許多非光合植被(NPV)，主要包括枯草、枯葉、枯枝、枯干和凋落物等，這些也是評價區域植被生長的重要組成部分[21]。像元三分模型不需要先驗數據，且能夠較好地區分和估算地表光合植被覆蓋度(fPV)、非光合植被覆蓋度(fNPV)和裸土覆蓋度(fBS)，對干旱與半干旱區植被覆蓋度的反演結果更接近地面真實情況，因而具有科學性。本研究通過遙感方法構建NDVI-DFI指數結構特征解譯2008—2017年準東荒漠植被稀疏地區植被覆蓋度得出如下結論。

(1)研究區NDVI-DFI指數結構特征表現為三角形，與理論上的概念模型基本一致，符合像元三分模型的基本假設。即像元三分模型用于提取荒漠綠洲交錯區稀疏植被覆蓋度信息也同樣適用。

(2)像元三分模型比像元二分模型具有區別建筑和非光合植被的優勢，能夠完善由于NDVI錯判建筑屋頂信息造成的影響。

(3)2008—2017年準東地區植被覆蓋度有所增長，植被等級的總體轉變是由低向高，且植被的恢復面積大于植被退化面積。