淮河流域1999—2018年NDVI時空演變特征研究

高 崢,劉賽艷,秦 璇,徐柳昕

(揚州大學水利科學與工程學院,江蘇 揚州 225009)

植被是全球碳循環的主要參與者之一,在陸面水分運移和能量傳輸中發揮著巨大作用。植被覆蓋變化情況是區域生態環境變化的重要指示特征,能直接反映出區域生態環境對變化環境的響應[1]。目前,對植被覆蓋變化的監測方法主要有地表實測和遙感測量[2]。其中,地表實測對人力和物力的消耗較大,且只能提供小尺度范圍內的植被結構和分布狀況,因此具有明顯的局限性[3]。相比之下,遙感測量則多是以歸一化差異植被指數(Normalized Difference Vegetation Index,NDVI)作為地表植被的特征參量,直觀地揭示地表植被覆蓋的變化趨勢。

作為反映區域植被覆蓋綜合狀況的一種指標,NDVI數據不僅獲取簡便,而且能夠實時地反映植被分布特征及變化,在大尺度地表植被監測和研究方面有著巨大的優勢[4]。目前,國內外學者基于NDVI時間序列,開展的研究主要集中在3個方面:①不同時間尺度(如月、季、旬、年等)NDVI的變化規律[5-6];②不同氣象因子(如降水、氣溫等)對NDVI的影響[7-8];③不同人類活動(如土地利用類型、農作物種植類型等)對NDVI的影響[9-10]。這些研究表明,受當地氣象因子和人類活動的影響,NDVI變化具有典型的區域特征,因此從區域尺度上研究植被覆蓋的變化特征更有現實意義。盡管如此,以往研究多注重NDVI的時間變化特征,尤其是整體上升或下降的變化趨勢及其空間分布,而對NDVI空間特征向量或者說空間模態變化規律的相關研究卻不多。事實上,NDVI空間模態變化規律對于了解流域植被覆蓋狀況、生態水文變化過程、開展區域生態環境保護與治理具有重要的意義[1,10]。經驗正交函數分解法(Empirical Orthogonal Function,EOF)能夠刻畫要素(如降水)場的空間分布特點,反映不同區域之間的空間變化關系,而且分解的空間結構多具有明確的物理意義[11],已被廣泛用于氣象水文分析領域[12]。因此,本研究擬采用EOF方法研究區域NDVI變化情況,揭示區域NDVI空間模態變化規律。

淮河流域地處中國南北氣候過渡帶,自然植被分布具有明顯的地帶性特點,研究該流域植被覆蓋的變化特征,對于當地生態環境的保護與改善、自然資源的合理利用具有重要的意義。縱觀現有研究成果,對淮河流域植被覆蓋的研究多集中在流域整體尺度NDVI的變化規律及其影響因子上[13],而且植被數據較為陳舊,對流域不同子流域NDVI空間模態變化特征的研究也較少。因此,本文選取淮河流域為典型研究對象,擬在淮河流域1999—2018年的NDVI時間序列的基礎上,采用Mann-Kendall(MK)趨勢檢驗法和EOF法,研究該流域不同時間尺度上植被覆蓋的變化趨勢和空間模態演變特征,以期為流域植被分布特征、生態環境保護等提供參考。

1 研究區概況

淮河流域位于中國東部,地處111°55′～121°20′E,30°55′～36°20′N,西起桐柏山、伏牛山,東臨黃海,南部與長江流域接壤,北部與黃河流域相鄰,流域總面積為27萬km2。流域總體屬于暖溫帶半濕潤季風氣候區,春冬干旱少雨,夏秋悶熱多雨,冷暖、旱澇轉變劇烈。流域上中游主要的植被類型為亞熱帶落葉闊葉林,流域農作物多為雙季水稻、油菜、豌豆、小麥等。

本文研究區域為淮河全流域,淮河流域2013年土地利用類型見圖1,數據來源于中國科學院資源環境科學與數據中心網站(https://www.resdc.cn/)。同時,為了明晰淮河流域各子流域的植被覆蓋變化特征,將淮河流域劃分為4個子流域:上游、中游、下游和沂沭泗水地區。

圖1 淮河流域土地利用類型及其4個子流域

2 數據與研究方法

2.1 數據來源與處理

NDVI數據主要來源于中國科學院資源環境科學與數據中心網站(https://www.resdc.cn/)提供的月植被空間分布數據集(1999—2018年)。數據空間分辨率為1 km,是基于連續時間序列的SPOT/VEGETATION NDVI衛星遙感數據,采用最大值合成法生成的月度(1—12月)植被數據集[14]。該數據集質量良好,應用廣泛。基于ArcGIS軟件平臺和Python編程語言等對數據集進行了批量格式轉換、裁剪等處理工作。

2.2 研究方法

MK法是一種應用范圍很廣的非參數趨勢檢驗方法,具體可見文獻[15],此處不再贅述。采用MK趨勢檢驗法分析淮河流域NDVI的變化趨勢時,置信水平取95%。此外,采用Sen趨勢估計法[16]計算了淮河流域NDVI序列的線性傾向率。

對某一物理量X進行采樣研究,采樣的空間點數量為m,時間點數量為n。建立該物理量的樣本矩陣Xm×n=[X1,X2,…,Xn],其中X的第j個真實空間場為Xj=[x1j,x2j,…,xmj]T,xij(i=1～m,j=1～n)表示在第i空間點、第j時間點對X的采樣值。結合物理量X,闡述EOF法[14]的步驟如下。

a)對矩陣Xm×n進行距平化處理,得到樣本距平矩陣A:

(1)

其中aij為xij的距平化值,即:

(2)

式中xik——在第i空間點、第k時間點對X的采樣值。

b)計算矩陣A與其轉置矩陣AT的交叉積,得到協方差矩陣C:

(3)

c)計算矩陣C的特征根λj(j=1～m,λ1>λ2>…>λm)和對應特征向量Vj(即X的第j個空間模態)所構成的矩陣V=[V1,V2,…,Vm],其中Vj=[v1i,v2i,…,vmi]T,vij(i=1～m,j=1～m)表示Vj的第i個元素。矩陣C與V滿足:

C×V=V×Λ

(4)

其中Λ為對角矩陣,即:

(5)

d)計算空間模態Vj的方差貢獻率δj,確定物理量X的主要空間模態:

(6)

由式(6)可知:δj越大,空間模態Vj的重要性越突出。

e)檢驗主要空間模態之間差異的顯著性。為了判斷空間模態是隨機的噪聲還是有物理意義的信號,需要進行顯著性檢驗。利用North法[16]對特征值的誤差范圍進行顯著性檢驗,在95%置信度水平下的特征根誤差為:

(7)

式中 Δλi——特征值λi的誤差范圍,i=1～m。

由式(7)計算各特征值的誤差范圍,若某一特征值的誤差范圍與其前后特征值的誤差范圍沒有交集,則對應的空間模態通過差異顯著性檢驗,即該空間模態是有物理意義的。

本研究采用EOF法研究淮河流域NDVI空間變化特征,選取方差貢獻率大于20%的空間模態作為淮河流域NDVI的主要模態,在95%置信水平下檢驗各主要模態差異的顯著性。

3 結果與討論

3.1 淮河流域NDVI的時間變化特征

淮河全流域及各子流域1999—2018年月NDVI的多年平均值見圖2。由圖2可知,淮河全流域及各子流域月NDVI的多年平均值變化均呈M形。就淮河全流域而言,月NDVI的峰值分別出現在4月(0.65)和8月(0.74),雙峰之間的谷值出現在6月份(0.46)。具體而言,淮河流域2—4月春季來臨,植被生長迅速,月NDVI值快速增加;5—6月第一茬小麥和水稻開始收割,月NDVI值明顯減少,并在6月下降至谷值;7—8月第二茬水稻、夏玉米等糧食作物生長,月NDVI值開始恢復并進一步增加,在8月達到第2個峰值;自9月步入秋冬季節后,隨著第二茬糧食作物的收割,全流域月NDVI值再次下降。由此可見,淮河全流域月NDVI的變化受該流域作物熟制的重要影響,這與嚴四英等[17]研究的結果一致。

圖2 淮河流域1999—2018年月NDVI的多年平均值

由圖2還可以得出,月NDVI均值由大到小依次為上游、中游、下游和沂沭泗水地區,這種均值差異跟各子流域的植被類型特征密切相關。具體而言,淮河流域上、中游地區林地較多,而沂沭泗水地區的丘陵地貌較多、巖體占比大而植被少[18]。此外,從雙峰之間的谷值來看,上游月NDVI變化幅度最小,中、下游變化幅度最大。月NDVI變化幅度的差異主要是因為上游農田占比相對較少,受作物熟制影響較小,而中下游地區絕大多數的土地覆蓋類型為農田,受作物熟制影響較大[18]。

淮河全流域及各子流域春季(3—5月)、夏季(6—8月)、秋季(9—11月)、冬季(12月至次年2月)和年度NDVI的變化過程見圖3。由圖3可以看出,淮河全流域及各子流域春季、夏季、秋季和冬季NDVI的數值分別位于0.46～0.68、0.54～0.75、0.40～0.60和0.20～0.48范圍內,夏季NDVI最高,冬季NDVI最小。此外,淮河流域年度NDVI的數值位于0.42～0.58范圍內,其中上、中游NDVI最大,沂沭泗水地區NDVI最小。

圖3 淮河流域各季節和年度NDVI過程

淮河全流域及各子流域春、夏、秋、冬季和年度NDVI的變化趨勢見表1。由表1可知,除植被生長緩慢的冬季外,淮河流域四季NDVI總體呈顯著上升趨勢。在4個子流域中,僅下游夏、冬季NDVI呈不顯著下降趨勢,而其他子流域四季NDVI均呈上升趨勢,尤其是春秋兩季,多為顯著上升趨勢。淮河下游與其他子流域存在差異的主要原因是:下游耕地面積占比較高,且多為水旱兩熟連作作物,夏冬兩季NDVI變化規律易作物熟制影響[18]。此外,淮河流域(除下游以外)年度NDVI均呈顯著上升趨勢,年度NDVI線性傾向率由大到小依次為上游(0.05/10a)、中游(0.04/10a)、沂沭泗水地區(0.02/10a)和下游(0.01/10a)。

表1 淮河流域各季節和年度NDVI的變化趨勢

總體上,淮河流域NDVI時間序列在1999—2018年呈持續增加態勢,這和當前“全球變綠(Global Greening)”[1,17]的研究結果是一致的。盡管有研究表明,全球氣候變暖中大氣中的二氧化碳增加能夠讓植物生長得更加旺盛,但是人類活動尤其是植樹造林、退耕還林還草的貢獻也是不可忽略的[1]。結合淮河流域近20 a退耕還林以及其他水土保持措施的實施情況,可知國家相關政策的實施在淮河流域植被恢復與生態保護工作中取得了較好的成效[19]。

3.2 淮河流域NDVI空間變化特征

將淮河4個子流域1999—2018年NDVI和四季NDVI集,按照(子流域×年份)的形式組成5個4×20數據矩陣,然后對這5個矩陣進行EOF分解,獲得年和季節NDVI的主要空間模態。

淮河流域年NDVI的空間模態見表2。由表2可知,淮河流域年NDVI第一個特征向量的方差貢獻率達到72.1%,第二個特征向量的方差貢獻率達到22.8%,兩者累計方差貢獻率達到了94.9%,且兩者的誤差范圍沒有交疊。因此,第一和第二模態代表了淮河流域年NDVI的主要空間變化特征。

表2 淮河流域年NDVI的空間模態

淮河流域年NDVI的第一、二模態見圖4。由圖4a可知,第一模態特征向量值均為正值,表明淮河子流域近20 a植被覆蓋變化一致,呈現同增同減的分布模式。特征向量高值中心位于上游,次高值中心位于沂沭泗水地區,中游地區為低值中心,說明上游與沂沭泗水地區NDVI變化幅度較大,中游和下游地區的NDVI變化幅度較小。由圖4b可知,第二模態特征向量值大致以上中游交界處為界,東部為負值區,西部為正值區。其中,正值中心出現在淮河流域上游區域,負值中心出現在下游區域,特征向量值從內陸向沿海不斷減小,表明淮河流域植被覆蓋狀況是由內陸向沿海遞減,這和實際情況是相符的。

a)模態一空間分布

b)模態二空間分布圖4 淮河流域年NDVI第一、二模態

淮河流域四季NDVI的主要模態見表3。由表3可知,淮河流域春、夏、秋季NDVI只有第一個特征向量的方差貢獻率都超過了20%,因此第一模態代表了3個季節NDVI的空間分布特征。淮河流域冬季NDVI有2個特征向量的方差貢獻率超過20%,累積方差貢獻率達到91.2%,而且兩者誤差范圍無重合區間。因此,第一、第二模態代表了淮河流域冬季NDVI的空間分布特征。

表3 淮河流域季節NDVI變化的主要空間模態

淮河流域四季NDVI的第一模態見圖5。總體而言,淮河流域四季NDVI變化一致,呈現同增同減的空間分布模式。高值中心一般都位于上游,低值中心多位于中下游地區,特征向量值由西向東呈遞減趨勢,說明上游地區NDVI變化幅度較大,中下游地區的NDVI變化幅度較小,植被覆蓋度由內陸向沿海變化逐漸降低。

a)春季

b)夏季圖5 淮河流域四季NDVI的第一模態

c)秋季

d)冬季續圖5 淮河流域四季NDVI的第一模態

淮河流域冬季NDVI第二模態見圖6。淮河流域冬季NDVI第二模態的特征向量值有正有負,西部和東北部為負值區,中部和東部為正值區。其中,負值中心出現在淮河流域上游區域,正值中心出現在中游區域,特征向量值從內陸向沿海依次減小,反映出淮河流域冬季NDVI變化是由內陸向沿海遞減的。

圖6 淮河流域冬季NDVI的第二模態

4 結論

基于1999—2018年NDVI時間序列,采用MK趨勢檢驗法和EOF法分析了淮河流域植被覆蓋時空演變規律。

a)受流域作物熟制影響,淮河流域月NDVI的多年平均值整體呈M狀。由于植被類型不同,淮河子流域NDVI的均值和變化幅度都存在一定的差異。

b)除植被生長緩慢的冬季外,淮河流域四季NDVI總體呈顯著上升趨勢。在農田面積占比較多的下游,夏、冬兩季NDVI呈不顯著下降趨勢,而在淮河其他子流域,四季NDVI均呈上升趨勢,尤其是春、秋兩季,多為顯著上升趨勢。

c)淮河流域年NDVI總體呈顯著上升趨勢,和全球變綠的趨勢是一致的,同時也表明近20年來退耕還林及其他水土保持措施,在淮河流域植被恢復與生態保護工作取得較好的成效。

d)淮河流域NDVI空間模態分布整體上同增同減,東部與西部差異較大的形式。且上游NDVI變化幅度較大,中、下游NDVI變化幅度較小,植被覆蓋度由內陸向沿海逐漸降低。