基于谷歌地球引擎的植被覆蓋度變化長時間序列檢測

李 旭 陳俊良 鄧尚奇

(1. 山東科技大學 測繪與空間信息學院, 山東 青島 266590;2. 黑龍江省第五測繪地理信息工程院, 黑龍江 哈爾濱 150081)

0 引言

植被廣泛存在于自然界之中,對于自然界的環境具有極其重要的意義。主要反映在,植被可以讓空氣中二氧化碳以及氧氣的成分保持穩定,吸收空氣中有害氣體、降低有害氣體占比,吸附空氣中的灰塵,保護土壤,減少土壤流失,防止沙漠化等。學術界將植被覆蓋度定義為植被葉、莖、枝在地面的垂直投影面積占統計區總面積的比例或百分數[1]。作為刻畫地表植被覆蓋度的定量參數,植被覆蓋度也被用來描述生態系統,并對生態系統建設和環境時空變化具有突出的指示作用。重建荒漠化和沙化地區生態系統、改善沙化、建設綠化環境是城市發展的一個重要方向,其中,對于植被覆蓋變化的動態檢測,以及利用檢測成果去指導植被恢復和生態系統的重建,已經成為當前環境保護領域的重要研究方向。

前人已經在植被覆蓋度計算方面開展了大量的工作,常用的植被估算方法有回歸模型、像元二分模型、計算機學習法等。Xiao等[2]將美國陸地衛星(Landsat)7歸一化植被指數(normalized difference vegetation index, NDVI)數據與研究區實測數據進行回歸分析,表明二者具有很好的相關性。徐麗等[3]利用景觀生態學原理和像元二分模型,分析了1988—2019年不同時期的植被覆蓋度及其空間格局的演變特征。由于像元二分模型對輻射校正的影響并不敏感[4],所以也是目前應用最廣泛最簡單的一種模型。隨著計算機技術的發展,神經網絡、決策樹分類等機械學習方法也開始應用到計算植被覆蓋度中。然而，計算機學習法目前仍有一些難點,比如訓練樣本的選取、過于依賴人的經驗、受主觀影響較大等。

相比傳統遙感技術,谷歌地球引擎(Google Earth Engine, GEE)平臺擁有海量在線遙感數據源,并且具有快速、成批處理并下載大尺度影像的優勢。本文基于GEE平臺,利用Landsat 5和Landsat 8的NDVI產品數據作為數據源,以陜西省榆林市為研究區,利用像元二分模型計算該地區植被覆蓋度,并進行分析,以期評估榆林市環境治理和防沙綠化的效果,并持續為未來的荒漠化治理措施提供參考數據。

1 研究區與研究方法

1.1 研究區概況

本研究區為陜西省榆林市(北緯36°57′～39°35′,東經107°28′～111°15′),位于陜西省最北部,黃土高原的中北部,是毛烏素沙地和黃土高原的交界區,也是內蒙古高原和黃土高原的過渡帶,總面積約4.3×104km2,是一個具有沙漠化潛在因素的地區。該研究區四季變化明顯,春季升溫快。夏季溫度高,十分炎熱,平均氣溫都在20 ℃以上。秋季受極地氣團的影響,降溫非常迅速,尤其是10月到11月,降溫最為劇烈。冬季高云多、高氣壓,天氣多晴朗為主,平均氣溫在-8～4 ℃之間。日照時間非常長,甚至在陜西省的各市區位于第1位,年平均日照時長在2 500～3 000 h。

1.2 研究方法

本研究基于GEE平臺,通過JavaScript編程,實現1986、1999、2006、2013和2000年Landsat NDVI數據的引用、裁切、年最大值擬合以及下載,并作為數據源;然后在ENVI中,利用Bandmath工具以及像元二分模型,計算植被覆蓋度,并后續進行分級;再利用影像差值法,計算植被覆蓋度變化情況,并在ENVI中進行面積統計以及后續的分析。主要技術路線如圖1所示。

圖1 主要技術流程

1.2.1數據獲取

Landsat是美國地質調查局和美國宇航局的聯合計劃,從1972年到現在一直在不斷地觀測地球,衛星以大約每兩周一次對整個地球表面進行成像,包括可見光和近紅外波段,分辨率為30 m。目前,GEE平臺已經包含了Landsat、Modis、Sentinal等在內的632個原始數據與產品數據在內的多種類型數據集,并且這個數量還在不斷增加。本文研究使用的是Landsat 5及Landsat 8的衍生產品8-day NDVI數據集。這些產品是從每年的第一天開始的每個8 d的所有場景中合成的,并且持續到一年的第360 d。從第361 d開始的年度最后一個合成將與第二年的第一個合成重疊3 d。由于年最大歸一化指數NDVI可以消除云、大氣、太陽高度角的部分影響[5-6],能較好地反映該年植被長勢最好時期的植被覆蓋狀況[7],因此，還需要對NDVI產品數據進行年最大值擬合。

本研究通過GEE自帶的ImageCollection函數實現不同年份數據的引用,通過filterBounds、qualityMosaic和Export.image.toDrive函數進行研究范圍限定、最大值擬合和數據下載,最后得到1986、1999、2006、2013和2020年的年最大NDVI數據。

1.2.2像元二分模型

像元二分模式,作為混合像元模型的一種,具有簡單、普適等優點,被廣泛使用。其原理是假設植被和裸土的光譜信息按一定的線性關系相互混合,共同組成一個像元的光譜信息。此時每一個像元的值是純植被的像元值與裸土的像元值的加權和,植被和裸土所占像元的百分比就是各自的權重大小,由此可以得出每個像元所對應的區域中植被和裸土所占面積的比例。公式為

F=(N-Ns)/(Nv-Ns)

(1)

式中,F為植被覆蓋度;Ns為純裸土或完全無植被覆蓋所對應的NDVI值;Nv為純植被或完全植被覆蓋所對應的NDVI值。但由于植被類型的不同,以及隨著時間不斷變化的植被覆蓋情況,Nv也是不斷發生變化的。而且土壤的顏色、成分、含水量、顆粒大小與表面粗糙度的影響,Ns也在發生變化,但取值在-0.1～0.2之間[8-9]。所以，本次研究采用給定置信區間的方法,來確定Nv和Ns的值,可以在一定程度上消除影像噪聲以及數據異常值產生的誤差[10]。根據以往Landsat數據研究,定義累計像元5%的像元值為Ns的值,定義累計像元95%的像元值為Nv的值[11]。

通過ENVI軟件的Bandmath工具,可以計算得到榆林市1986、1999、2006、2013和2020年的植被覆蓋度數據后,采用常規植被覆蓋度分級方法[12],按照像元值分為低覆蓋度(≤20%)、中低覆蓋度(20%～40%)、中覆蓋度(40%～60%)、中高覆蓋度(60%～80%)、高覆蓋度(≥80%)5個等級,得到榆林市5個時期的植被覆蓋度等級圖,并對各等級進行面積統計以及分析。

1.2.3植被覆蓋度變化檢測

遙感影像的變化檢測,是指利用同一研究區的不同時間獲取的影像,并根據一定的算法,對比并分析前后兩個時間段中研究區的信息變化。主要方法包含兩大類：基于像元的變化檢測與基于特征的變化檢測。本次研究使用的是基于像元變化檢測算法中的差值法,主要原理就是將兩個已經進行空間配準的影像,進行每個波段、每個像元做差值,產生一個差值影像。計算公式為

Dij=Xij(t2)-Xij(t1)+C

(2)

式中，Xij是指第j列第i行的像元值;t1和t2表示的是前后不同時期;C是一個常量,本次研究取值為0。插值法具有原理簡單、操作方便等優點,廣泛應用于變化檢測領域,并且在多種地形研究中,驗證了其算法的精度和可信度。通過ENVI軟件的Bandmath工具計算,可得到榆林市植被覆蓋的9個等級,后續分為中高度退化、輕低度退化、未變化、輕低度綠化和中高度綠化5個變化類型,并對各類型進行面積統計以及分析。

2 結果與分析

2.1 植被覆蓋度分析

從表1可以看出,1999年是植被覆蓋度問題最為嚴重的一年，中低及以下覆蓋度占比甚至超過了60%,而1986年和2006年植被覆蓋情況基本一致,中低和低覆蓋度占比約50%,較1999年植被覆蓋情況已經得到較大改善,但其中高和高覆蓋度占比依舊較少,總體仍處于偏低偏少的水平。2013年和2020年的植被覆蓋情況基本一致,中低和低覆蓋度降低到30%左右,中高及以上植被覆蓋提升到43%左右,較2006年有非常明顯的改善。從圖2可以直觀地看出,榆林市主要為中部和北部植被覆蓋度較低,呈現東北-西南走向,中部和中南部、東部植被覆蓋度相對偏高一些。而該情況在2000年后開始改變,整個研究區植被覆蓋度開始逐步提高,中部和北部改善情況尤為明顯,但北部依舊存在較大面積的中低或低覆蓋。

2.2 植被覆蓋度變化分析

從表2可以看出，在1986—1999年,榆林市出現了大范圍的植被退化,總退化占比在44.16%,而1999—2006年的情況,與1986—1999年幾乎相反,改善占比44.35%,植被覆蓋情況得到較大改善。2006—2013年榆林市植被覆蓋狀況也有較為明顯的改善,退化占比只有14.41%,改善占比達到了48.64%,主要為輕低度改善,2013—2020年退化和改善占比相差無幾,這也是2013年和2020年總體植被覆蓋情況基本一致的原因。整體來看,1999—2020年,榆林市植被覆蓋等級得到了明顯的提升,植被覆蓋情況得到了極大的改善,其中退化占比為13.66%,主要為略微退化,改善占比為60.50%,主要為略微改善和輕度改善。從圖3可以直觀地看出,植被覆蓋度變化地區主要集中在榆林市的中部、東北部和東南部,這些地區在1986—1999年、1999—2020年都表現為退化或者改善狀態。

表1 榆林市植被覆蓋度統計

(a)1986年 (b)1999年 (c)2006年

(d)2013年 (e)2020年

表2 榆林市植被覆蓋度變化統計表

(a)1986—1999年 (b)1999—2006年 (c)2006—2013年

(d)2013—2020年 (e)1999—2020年

2.3 植被覆蓋度變化原因分析

氣溫、降水、干燥度和濕潤指數是影響植被覆蓋度的重要自然因素,其中,降水對植被覆蓋情況影響最為明顯[13]。從表1、表2以及圖2、圖3發現,1999年是榆林市植被覆蓋問題最為嚴重的一年,其主要原因是1999年陜北黃土高原開始實施退耕還林政策,耕地面積減少,且該年份降水量少,所以1999年的植被長勢較差[14]。自2000年后,榆林市整體氣候呈現暖濕化,表現為年降水量顯著增加,年均氣溫略微增加[15],表明植被覆蓋度與年降水量呈現正相關,而與年氣溫相關性不大。

隨著人們逐漸意識到環境的重要性,1999年榆林市開始試點實施退耕還林。2003年榆林市被評為毛烏素沙地防沙治沙綜合示范區。為加快落實退耕還林政策以及改善生態環境,榆林市下轄2區、1市和9縣各級政府啟動實施示范區防沙治沙建設工程。通過退耕還林和防沙治沙生態工程的實施,全市的荒沙已經被固定或者半固定[15-16],土地沙化和水土流失問題明顯改善,是近20年來榆林市植被覆蓋度顯著增加的主要因素。

3 結束語

針對傳統遙感技術進行大尺度長時間序列植被覆蓋度變化檢測時操作復雜、耗時較多的問題,本文提出了一種基于GEE的植被覆蓋度變化檢測方法。該方法基于GEE平臺引用和擬合Landsat NDVI數據并進行下載,通過像元二分模型提取榆林市植被覆蓋度,進行植被覆蓋度分級以及變化檢測。實驗結果表明：自實施退耕還林政策之后,榆林市的植被覆蓋度總體呈現上升趨勢,較1999年有明顯改善,在環境治理以及防沙綠化方面取得了不錯的效果。該方法顯著提高了數據處理速度,減少了人力和時間成本,實現了大尺度植被覆蓋度快速有效檢測,為未來沙漠化治理提供持續且低成本的數據基礎。

本研究基于以上方法取得了一定的研究成果,但是在實際應用中可能會存在一些問題：①該方法基于GEE平臺,需要操作人員熟悉GEE平臺,并具備一定的編程能力;②GEE平臺的數據集在某些年份可能出現缺失或質量不佳,這些都是潛在的影像因素;③GEE平臺無法進行遞歸類的運算,有完善和進步的空間。