周妍妍, 郭曉娟, 鄒明亮, 陳冠光, 郭建軍, 岳東霞*

?

基于擾動指數(shù)的天水南部植被擾動時空序列研究

周妍妍1, 郭曉娟1, 鄒明亮1, 陳冠光1, 郭建軍2, 岳東霞1*

1. 蘭州大學(xué)資源環(huán)境學(xué)院, 蘭州 730000 2. 中國科學(xué)院西北生態(tài)環(huán)境資源研究院沙漠與沙漠化重點(diǎn)實驗室, 蘭州 730000

利用全球擾動指數(shù)(The MODIS Global Disturbance Index, MGDI)模型并以長時間序列的MODIS的增強(qiáng)型植被指數(shù)(Enhanced Vegetation Index, EVI)和地表溫度(Land Surface Temperature, LST)數(shù)據(jù)作為數(shù)據(jù)源對天水南部地區(qū)2001—2016年植被擾動指數(shù)時空分布變化特征和驅(qū)動因子進(jìn)行研究。結(jié)果表明: (1)16年來植被擾動指數(shù)的均值空間分布不均, 其值分布于0.66—1.09之間, 天水市南部地區(qū)的西北和西部部分地區(qū)植被擾動指數(shù)明顯低于其它地區(qū), 且主要為積極擾動。(2)植被擾動指數(shù)的年際變化呈降低趨勢, 占總面積的89.58%, 其中研究區(qū)中農(nóng)耕區(qū)減小的趨勢最為明顯。植被擾動指數(shù)的變異系數(shù)分析結(jié)果表明, 2001—2016年以來天水南部大部分地區(qū)植被擾動指數(shù)變化較穩(wěn)定。其中, 西北部的農(nóng)耕區(qū)擾動指數(shù)波動幅度較大, 而林區(qū)波動相對較小。(3)植被擾動情況受海拔和坡度、河流和道路的影響?？臻g分布上, 擾動主要發(fā)生在海拔相對較高、坡度較緩及近河流和道路地區(qū)。

MODIS; 植被; 擾動指數(shù); 時空變化; 天水南部

0 前言

植被作為陸地生態(tài)系統(tǒng)必不可少的組成部分, 能夠根據(jù)陸地生態(tài)系統(tǒng)中水、氣、熱等的狀況, 調(diào)控其內(nèi)部與外部的全球能量物質(zhì)平衡、生物化學(xué)循環(huán)和水循環(huán)[1]。它對區(qū)域生態(tài)系統(tǒng)環(huán)境變化有著重要指示作用, 氣候變化、人類活動, 以及大氣中CO2的施肥效應(yīng)都會對植被產(chǎn)生擾動[2]。生態(tài)擾動是一個導(dǎo)致生態(tài)系統(tǒng)結(jié)構(gòu)和功能持續(xù)中斷的事件, 其中植被擾動是指生態(tài)系統(tǒng)葉面積指數(shù)(Leaf Area Index, LAI)在一年以上發(fā)生重大變化的事件, 擾動可分為積極擾動(如農(nóng)業(yè)灌溉)和消極擾動(如火災(zāi))[3–6]。陸地表層植被擾動的研究有助于跟蹤生物圈對氣候變化的響應(yīng), 其時空特征更是區(qū)域植被生物量和碳儲量研究的關(guān)鍵。獲取高精度植被擾動信息不僅有利于區(qū)域乃至全球生物量的精確估算[7], 而且可以提高區(qū)域或者全球碳匯的估算精度, 將在國家政策的制定、碳預(yù)算的評估以及改善資源管理中發(fā)揮重要的作用。隨著全球生態(tài)環(huán)境的不斷惡化, 量化擾動對于了解生態(tài)系統(tǒng)的動態(tài)至關(guān)重要[8], 因此量化擾動已成為全球生態(tài)系統(tǒng)環(huán)境的研究熱點(diǎn)。近半個世紀(jì)以來, 不斷發(fā)展的遙感(Remote Sensing, RS)和地理信息系統(tǒng)(Geographic Information System, GIS)技術(shù)為大面積長時間序列植被擾動的研究提供可能[9]。MODIS等遙感影像可提供數(shù)據(jù)來提取關(guān)鍵物候參數(shù), 并監(jiān)測植被動態(tài)的趨勢[10]。2007年, Mildrexler等[11]根據(jù)植被指數(shù)和地表溫度的負(fù)相關(guān)關(guān)系提出了擾動指數(shù), 用于監(jiān)測基于像元尺度LST/EVI的長期變化; 2009年, Mildrexler等[12]改進(jìn)了先前提出的擾動指數(shù), 將其更名為MODIS全球擾動指數(shù)(The MODIS Global Disturbance Index, MGDI), 監(jiān)測北美森林火災(zāi)發(fā)生的位置、嚴(yán)重程度以及颶風(fēng)和砍伐森林對植被造成的破壞。由于MGDI使用的是年最大合成數(shù)據(jù), 這就避免了地表溫度可能存在的自然變化, 因此MGDI在國內(nèi)外植被擾動研究中得到廣泛的應(yīng)用。然而, 國內(nèi)外學(xué)者主要用MGDI模型監(jiān)測短時間內(nèi)的植被變化。如COOPS等[13]研究表明, MGDI監(jiān)測得到的擾動區(qū)域與使用其它衛(wèi)星數(shù)據(jù)獲取的林火區(qū)域具有很高的相關(guān)性, 并且指出MGDI還可用于區(qū)域尺度植被病蟲害的監(jiān)測; Sun等[14]應(yīng)用MGDI監(jiān)測汶川地震森林?jǐn)_動, 研究表明MGDI能夠較好的應(yīng)用于地震擾動的監(jiān)測; Dutta等[15]對比分析印度和孟加拉國紅樹林旋風(fēng)前后的擾動, 計算出了擾動的面積; 尤慧等[16]基于MODIS數(shù)據(jù)利用MGDI監(jiān)測了加拿大地區(qū)森林火燒跡地的面積; 此外, Phompila等[17]應(yīng)用擾動指數(shù)檢測老撾熱帶森林土地覆被空間變化, 研究表明, 植被擾動指數(shù)能夠高精度的監(jiān)測7年內(nèi)的植被變化, 但缺少分析說明其變化的驅(qū)動因素。天水南部地區(qū)是一個典型的農(nóng)林牧交錯復(fù)合區(qū), 屬于我國氣候變化的敏感區(qū)和生態(tài)環(huán)境的脆弱區(qū), 易受人類活動和滑坡、泥石流等自然災(zāi)害的擾動[18]。本文基于MGDI模型, 采用MODIS EVI數(shù)據(jù)和LST數(shù)據(jù)監(jiān)測天水南部的植被擾動狀況, 分析了研究區(qū)長時間序列擾動指數(shù)的時空動態(tài)分布特征和驅(qū)動因素, 全面客觀地認(rèn)識了植被擾動變化的內(nèi)在聯(lián)系和作用機(jī)理, 對減緩研究區(qū)植被破壞和植被保護(hù)提供了科學(xué)依據(jù)[19], 建立了區(qū)域生態(tài)環(huán)境與社會經(jīng)濟(jì)協(xié)調(diào)的發(fā)展模式。

1 研究區(qū)概況

天水市南部地區(qū)位于黃土高原西南部, 介于東經(jīng)105°42′—106°42′, 北緯34°4′—34°37′之間, 地處陜、甘兩省交界, 包括黨川鄉(xiāng)、利橋鄉(xiāng)、東岔鎮(zhèn)、李子鄉(xiāng)、娘娘壩等12個鄉(xiāng)鎮(zhèn)。天水南部地區(qū)總面積約為3262 km2, 海拔主要分布在1000—2000 m之間, 占天水市總面積的22.77%。天水市南部地區(qū)林草占總面積的85.72%, 南部小隴山林區(qū), 樹種類型多樣, 森林資源十分豐富。農(nóng)耕區(qū)主要分布于研究區(qū)的西北部地區(qū), 占總面積的12.70%。其屬隴中南部冷溫帶半濕潤氣候, 年平均降水量574 mm, 時空分布不均勻, 自西北向東南逐漸增加, 中東部山區(qū)雨量在600 mm以上, 且降雨多集中在4月下旬至10月上旬, 冬半年降水較少[20]。這一地區(qū)土壤蓄水性能很差, 每當(dāng)遇有強(qiáng)降水, 雨水就會迅速在溝壑處匯集成洪流, 沖刷表土, 沖毀坡地, 引發(fā)山體滑坡、泥石流等災(zāi)害, 造成交通和通訊中段、房屋倒塌、作物受災(zāi), 甚至人員傷亡等[21]。2013年7月25日天水市發(fā)生群發(fā)性山洪地質(zhì)災(zāi)害, 其中本研究區(qū)所在的天水市麥積山區(qū)發(fā)生200多個地質(zhì)災(zāi)害[22]。

圖1 研究區(qū)概況

Figure 1 Sketch map of the southern part of Tianshui

2 研究方法

2.1 HANTS

時間序列諧波分析法(Harmonic Analysis of Time Series, HANTS)是改進(jìn)傅立葉分析的一種算法[23]。長時間序列數(shù)據(jù)被解為幾個最為顯著的頻率, 利用最小二乘法擬合各頻率的正弦或余弦分量, 其中通過不停的迭代得到各頻率的振幅和相位。該方法是平滑和濾波兩種方法的結(jié)合, 它通過利用遙感影像的時空特點(diǎn), 將其時間上的變化規(guī)律和空間上的分布規(guī)律聯(lián)系起來, 其主要目的是遙感圖像的去云處理[24], 具體內(nèi)容可參考文獻(xiàn)[25–26]。本文針對研究區(qū)特殊的氣候地形環(huán)境, 在ENVI軟件下利用HANTS方法對MODIS EVI和MODIS LST數(shù)據(jù)進(jìn)行無云處理, 以此提高數(shù)據(jù)質(zhì)量, 獲得整個時序數(shù)據(jù)長期變化趨勢, 以為擾動指數(shù)的計算奠定基礎(chǔ)。

2.2 擾動指數(shù)

擾動指數(shù)為每年合成的最大地表溫度和同年合成的最大植被指數(shù)的比率與目標(biāo)監(jiān)測年之前多年的擾動比率均值的比值[27]。MODIS全球擾動指數(shù)(MGDI)是使用植被指數(shù)和地表溫度數(shù)據(jù)來檢測生態(tài)擾動的一種方法(Mildrexler et al., 2009), MGDI的提出是基于通過潛熱能量傳遞, 植被密度降低而表面溫度增加的事實[28]。此外, 兩個輸入變量, 即地表溫度(LST)和增強(qiáng)植被指數(shù)(EVI), 反應(yīng)不同的生物物理過程, 從而豐富指標(biāo)的內(nèi)容[29]。該指數(shù)在長時間序列數(shù)據(jù)集的基礎(chǔ)上, 計算像元尺度長期變化, 并且檢測表面能量的顯著年際變化。生態(tài)系統(tǒng)在未發(fā)生擾動時, 在正常年份的地表能量平衡都會在自然變異范圍內(nèi)波動(擾動指數(shù)一般接近1.0)。當(dāng)生態(tài)系統(tǒng)受人類灌溉活動擾動時, 擾動指數(shù)就會小于1, 且擾動強(qiáng)度越大, 其值越小; 當(dāng)生態(tài)系統(tǒng)受到干旱, 火災(zāi)等自然災(zāi)害擾動時, 擾動指數(shù)大于1, 且擾動程度越高, 其值越大。擾動指數(shù)根據(jù)擾動方式可分為瞬時擾動指數(shù)(如火災(zāi))和非瞬時擾動指數(shù)(如蟲災(zāi), 過度放牧, 氣候變化和干旱)[30]。根據(jù)擾動的影響可分為積極擾動(灌溉)和消極擾動(砍伐、火災(zāi))。在本研究中, 使用MGDI方法分析了2001—2016年天水南部地區(qū)的因人類活動和滑坡泥石流等自然災(zāi)害造成的非瞬時擾動。非瞬時MGDI表達(dá)式如下[31]:

公式中, DI為擾動指數(shù); EVImax為每個像元的EVI一年內(nèi)最大值; LSTmax為每個像元的LST一年內(nèi)最大值; 分子表示目標(biāo)年份的(LSTmax/EVImax), 分母表示除目標(biāo)年份以外之前多年(LSTmax/EVImax)的均值。

2.3 線性趨勢分析

為研究2001—2016年擾動指數(shù)變化的空間分布特征采用一元線性回歸方程方法, 分析每個像元的DI變化趨勢, 定量計算研究區(qū)范圍內(nèi)中所有像元的DI與時間的回歸斜率。斜率K即為DI線性趨勢, 其值為正說明擾動指數(shù)有增加趨勢, 為負(fù)說明擾動指數(shù)呈減少趨勢, K絕對值越大, 則說明擾動指數(shù)變化越明顯[32]。趨勢斜率用最小二乘計算, 公式如下[33]:

公式中, K為擾動指數(shù)變化的線性趨勢;為研究年數(shù); DI為每個像元在第年第個像元的DI值。

2.4 穩(wěn)定性分析

為了解天水南部地區(qū)DI在空間上的波動程度, 計算2001—2016年每個柵格DI的變異系數(shù)(The coefficient of variation, C)。變異系數(shù)是反映數(shù)據(jù)變異程度的一個統(tǒng)計量, 可消除因單位和平均值不同對變異程度比較的影響[34], 用其來評估DI數(shù)據(jù)在時間與空間上的相對變化程度, 變異系數(shù)越大, 變異程度越大; 反之, 變異程度越小[35]。計算式為[36]:

公式中, C為變異系數(shù),`為2001—2016年DI平均值,s為2001—2016年DI標(biāo)準(zhǔn)差。C值越大, 表示數(shù)據(jù)分布越離散, 數(shù)據(jù)時間序列波動較大; 反之則表示數(shù)據(jù)分布較聚集, 數(shù)據(jù)時間序列波動較小, 穩(wěn)定性較好。

3 數(shù)據(jù)源與數(shù)據(jù)處理

(1)MODIS EVI數(shù)據(jù)和LST數(shù)據(jù): 搭載在Terra和Aqua兩顆衛(wèi)星上的中分辨率成像光譜儀(Moderate-Resolution Imaging Spectroradiometer, MODIS)是美國地球觀測系統(tǒng)(EOS)計劃中用于觀測全球生物和物理過程的重要儀器。它獲取的影像具有36個中等分辨率水平(0.25 um—1 um)的光譜波段, 每1—2 d對地球表面觀測一次。獲取陸地和海洋溫度、初級生產(chǎn)率、陸地表面覆蓋、云、汽溶膠、水汽和火情等目標(biāo)的圖像。NASA提供的MODIS全球數(shù)據(jù)產(chǎn)品, 共有44種標(biāo)準(zhǔn)產(chǎn)品, 具有不同的時間和空間分辨率。其中MOD13Q1產(chǎn)品的增強(qiáng)型植被指數(shù)EVI數(shù)據(jù), 是空間分辨率為250 m的16 d合成產(chǎn)品; MOD11A2產(chǎn)品的地表溫度LST數(shù)據(jù), 是空間分辨率為1000 m的8 d合成產(chǎn)品。利用MRT軟件把所有MODIS遙感影像投影為相同的坐標(biāo)系, 通過最鄰近法重采樣為250 m空間分辨率。本文選取MODIS數(shù)據(jù)產(chǎn)品行列號為h26v05的2000—2016年所有的EVI和LST數(shù)據(jù)產(chǎn)品用于擾動指數(shù)的計算。利用研究區(qū)每年的EVI和LST數(shù)據(jù), 在ArcGIS軟件的像元統(tǒng)計數(shù)據(jù)工具中, 計算出每個像元一年內(nèi)的最大值, 取該值為目標(biāo)年的EVImax, 每年合成一幅當(dāng)年EVImax影像。根據(jù)同樣的算法, 每年合成一幅當(dāng)年LSTmax。

(2)數(shù)字高程模型(DEM): 來源于中國地理空間數(shù)據(jù)云的數(shù)字高程數(shù)據(jù)產(chǎn)品, 其為90 m空間分辨率。根據(jù)DEM數(shù)據(jù)利用ArcGIS軟件提取研究區(qū)的河流和坡度。

(3)土地利用類型數(shù)據(jù): 2015年的土地利用數(shù)據(jù)來源于中國科學(xué)院資源環(huán)境科學(xué)數(shù)據(jù)中心(http:// www.resdc.cn), 其空間分辨率為30 m[37]。

4 結(jié)果與分析

4.1 天水南部地區(qū)2001—2016年擾動指數(shù)空間分布特征

根據(jù)公式(1), 在ArcGIS軟件支持下, 將空間化的各參數(shù)帶入MGDI模型進(jìn)行柵格地圖代數(shù)運(yùn)算, 得到2001—2016年DI時間序列數(shù)據(jù)集, 制作2001— 2016年平均值的天水南部擾動指數(shù)圖(圖3a)。根據(jù)構(gòu)建的DI時間序列數(shù)據(jù)集, 計算每個像元點(diǎn)多年數(shù)據(jù)集的平均值和標(biāo)準(zhǔn)差, 確定每個像元點(diǎn)的平均狀態(tài)和自然變異范圍, 從而制作2016年擾動情況圖[38](圖3b)。由圖3可知,擾動指數(shù)的空間分布不均一, 其值分布于0.66—1.09之間, 絕大部分的值小于1, 且為擾動較小區(qū)域。從區(qū)域分布看, 西北及北部邊緣區(qū)域、西部娘娘壩鎮(zhèn)的一部分及北部邊緣地區(qū)擾動指數(shù)明顯低于其它地區(qū), 主要是積極擾動, 占總面積的31.36%, 擾動面積最大。由于這些地區(qū)植被類型主要為耕地, 耕地由于受人類灌溉, 耕種等農(nóng)業(yè)活動影響較大, 導(dǎo)致地表溫度較低, 植被覆蓋較好, 擾動指數(shù)較低[39–40]。河谷地區(qū), 地勢平坦, 土壤肥沃, 水資源豐富, 土地利用類型主要為耕地, 擾動指數(shù)也普遍低于1。除河谷地區(qū)其它大部分地區(qū)主要為林地, 受自然和人為擾動較少, 擾動指數(shù)接近于1, 主要為無擾動區(qū)。消極擾動的區(qū)域主要分布于西北部伯陽鄉(xiāng)及西部的娘娘壩鎮(zhèn)和李子鄉(xiāng), 擾動面積較小, 主要是位于滑坡泥石流災(zāi)害的多發(fā)區(qū)。

圖2 2015年天水南部土地覆被狀況

Figure 2 Land cover of the southern part of Tianshui in 2015

圖3 2001—2016年天水南部擾動指數(shù)和2016年擾動情況空間分布圖

Figure 3 Spatial distribution map of average DI from 2001 to 2016 and DI in 2016 over the southern part of Tianshui

4.2 天水南部地區(qū)擾動指數(shù)的時空變化特征

4.2.1 擾動指數(shù)年際變化趨勢

根據(jù)公式(2), 用16年逐一像元的DI值與年份計算線性趨勢, DI回歸斜率能夠反映植被DI變化的方向和速率。圖4為2001—2016年天水南部擾動指數(shù)的變化趨勢, 擾動指數(shù)變化較小, 平均趨勢系數(shù)為-0.0038, 呈緩慢減小的趨勢。從面積比例上看, 擾動指數(shù)減小的區(qū)域占總面積的89.58%, 明顯降低的區(qū)域主要分布于研究區(qū)西北部的伯陽鄉(xiāng)和元龍鄉(xiāng)及娘娘壩鎮(zhèn)的西北部, 這主要由于人類的灌溉耕作等農(nóng)業(yè)活動使植被覆蓋相對升高, 地表溫度降低[41]。中部大面積的林區(qū)擾動指數(shù)呈增加趨勢, 占總面積10.42%, 且DI逐漸接近于1。說明該區(qū)域受自然和人為擾動減少, 植被覆蓋度逐漸增加, 植被狀況不斷改善。這主要由于自1999年以來, 該區(qū)域積極實施天然林保護(hù)、封山育林、退耕還林等工程的實施, 該區(qū)域森林覆蓋率呈顯著上升趨勢, 且林地面積不斷擴(kuò)大[42]。DI多年基本不變的區(qū)域主要分布于現(xiàn)代冰川上, 該區(qū)海拔高且遠(yuǎn)離城區(qū), 受自然和人為擾動較少[43]?？傊? 研究區(qū)DI增加的區(qū)域遠(yuǎn)高于減少區(qū)域的面積, 同時增加的強(qiáng)度也高于減少的強(qiáng)度。

圖4 2001—2016年天水南部擾動指數(shù)變化趨勢空間分布圖

Figure 4 Changing trends of DI in the southern part of Tianshui from 2001 to 2016

4.2.2 擾動指數(shù)變化的穩(wěn)定性分析

變異系數(shù)能夠反映植被DI的時空變動程度。圖5顯示的是天水南部地區(qū)16年DI逐像元計算出的變異系數(shù)。研究區(qū)的變異系數(shù)分布0.03—0.38之間, 平均值為0.08, 整體DI年際變異幅度較小, 變化較為穩(wěn)定。DI的空間分布與其年際變異系數(shù)的空間分布存在高度的負(fù)相關(guān)性, 區(qū)域不同地區(qū)的DI穩(wěn)定性存在明顯的空間差異。DI高波動區(qū)多分布在西北部伯陽鄉(xiāng), 元龍鄉(xiāng)等鄉(xiāng)鎮(zhèn)及白家河和紅崖河等河流的兩側(cè), 且是擾動指數(shù)低值區(qū), 該區(qū)域受到人類生產(chǎn)生活的影響[44], DI的穩(wěn)定程度低。草地的生長受水熱條件以及人為干預(yù)的影響較大, 故近16年草地DI表現(xiàn)出較大的波動性。林地主要分布在丘陵和山區(qū), 自然環(huán)境好且對氣候和人為影響具有較強(qiáng)的適應(yīng)性, 生長穩(wěn)定, DI波動較小[45]。

4.3 天水南部地區(qū)植被擾動驅(qū)動因子分析

4.3.1 海拔和坡度

地形是影響植被分布及擾動的重要因素, 本文按照400 m等間隔, 將海拔由低到高分為五個等級, 按照10°等間隔, 將坡度由低到高劃分為五個等級[46], 利用ArcGIS10.2軟件中面積制表工具統(tǒng)計在不同等級海拔、坡度中擾動區(qū)域的分布情況[47]。由表1可知, 研究區(qū)植被擾動區(qū)域的海拔分別主要分布在等級三和等級四, 分別占擾動面積的37.76%、50.68%, 由此可知, 較高海拔即1200—2000 m范圍內(nèi)的植被易受擾動。由于研究區(qū)中高海拔區(qū)占研究區(qū)面積最大, 且是人類主要活動的區(qū)域, 隨著海拔升高, 植被增加, 人類活動較少, 擾動面積少[48]。植被擾動區(qū)域的坡度分別主要分布于等級二和等級三, 分別占擾動面積的41.19%、30.08%, 由此可知坡度較緩的植被更加易受到擾動影響, 并且在天水地區(qū)滑坡災(zāi)害多發(fā)生在10°—40°之間, 增加該區(qū)域的擾動[49], 結(jié)果說明地形是影響植被擾動的重要因素。

4.3.2 距河流和道路的距離

近河流和道路的區(qū)域是工農(nóng)業(yè)生產(chǎn)主要區(qū)域, 其影響著植被的蓋度和擾動狀況。利用ArcGIS平臺的緩沖區(qū)分析工具, 按1 km間隔(緩沖區(qū)半徑)建立水體、道路邊界緩沖區(qū), 進(jìn)行區(qū)域分析, 得到各個緩沖區(qū)等級擾動制表。由表2可知, 在靠近道路和水系的緩沖區(qū)一和緩沖區(qū)二區(qū)域, 植被擾動發(fā)生的所占比例較高[50]。緩沖區(qū)之間植被擾動的比較顯示, 無論是河流還是道路附近, 植被擾動區(qū)域都由內(nèi)向外顯著遞減。河流和道路附近植被擾動都較大, 而不同范圍內(nèi)的變化有所差別, 在一定程度上反映出人為活動與植被擾動存在重要的本質(zhì)聯(lián)系[51]。總之, 在空間分布上, 天水南部植被擾動主要發(fā)生在海拔相對較高、坡度較緩及近河流和道路區(qū)域。

圖5 2001—2016年天水南部擾動指數(shù)變化穩(wěn)定程度

Figure 5 Standard deviation of DI changes in the southern part of Tianshui from 2001 to 2016

表1 天水南部地區(qū)植被擾動面積在不同海拔和坡度的分布

表2 天水南部植被擾動面積在道路和水系不同緩沖區(qū)的分布

5 結(jié)論

本文利用MODIS EVI和MODIS LST遙感數(shù)據(jù), 基于MGDI模型監(jiān)測了天水南部地區(qū)2001—2016年植被擾動狀況, 分析擾動指數(shù)的時空變化特征及其對自然和人為因素的響應(yīng), 得出以下結(jié)論:

1)16年來擾動指數(shù)的均值空間分布不均, 其值分布于0.66—1.09之間, 研究區(qū)西北和西部部分地區(qū)擾動指數(shù)明顯低于其它地區(qū); 2)擾動指數(shù)的年際變化呈降低趨勢, 占總面積的89.58%, 其中研究區(qū)中農(nóng)耕區(qū)減小的趨勢最為明顯。擾動指數(shù)的變異系數(shù)分析結(jié)果表明, 2001—2016年以來天水南部大部分地區(qū)擾動指數(shù)變化較穩(wěn)定。其中, 西北農(nóng)耕區(qū)擾動指數(shù)波動較大, 而林區(qū)波動較小; 3)植被擾動受海拔、坡度與河流和道路距離因素的影響, 空間上, 擾動主要發(fā)生在海拔相對較高、坡度較緩和近水體和道路地區(qū)。植被擾動是自然和人為因素綜合作用的結(jié)果, 其中合理的安排農(nóng)業(yè)生產(chǎn)活動以及退耕還林、還草等政策, 有力促進(jìn)了綠化工作的開展, 大大改善了生態(tài)與環(huán)境。此外, 植被的擾動變化與氣候變化、土地利用方式、城市化和人口密度等因素密切相關(guān), 這將是下一步研究的重點(diǎn)[52]。

[1] SCHIMEL D S. Terrestrial biogeochemical cycles: Global estimates with remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 49–56.

[2] PIAO S, MOHAMMAT A, FANG J, et al. NDVI-based increase in growth of temperate grasslands and its responses to climate changes in China[J]. Global Environmental Change, 2006, 16(4): 340–348.

[3] PICKETT S T A,WHITE P S. The ecology of natural disturbance and patch dynamics[M]. Academic Press, 1985.

[4] TILMAN D. The Resource- Ratio hypothesis of plant succession[J]. American Naturalist, 1985, 125(6): 827–852.

[5] WARING R H, RUNNING S W. Forest ecosystems: analysis at multiple scales[J]. Forest Ecosystems Analysis at Multiple Scales, 2007.

[6] DALE V H, BROWN S, HAEUBER R A, et al. Ecological principles and guidelines for managing the use of land[J]. Ecological Applications, 2014, 10(3): 639–670.

[7] YANG C, SHEN R. Progress in the study of forest disturbance by remote sensing[J]. Remote Sensing for Land & Resources, 2015, 27(1): 1–8.

[8] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[9] 鄧朝平, 郭鈮, 王介民, 等. 近20余年來西北地區(qū)植被變化特征分析[J]. 冰川凍土, 2006, 28(5): 686–693.

[10] PéREZHOYOS A, MARTíNEZ B, GILABERT M A, et al. A multi-temporal analysis of vegetation dynamics in the Iberian peninsula using MODIS-NDVI data[J]. Earsel Eproceedings, 2010(1).

[11] MILDREXLER D J. A new satellite-based methodology for continental-scale disturbance detection[J]. Ecological Applications A Publication of the Ecological Society of America, 2007, 17(1): 235–50.

[12] MILDREXLER D J, ZHAO Maosheng, et al. Testing a MODIS global disturbance index across North America[J]. Remote sensing of environment, 2009, 113(10): 2103– 3566.

[13] COOPS N C, WULDER M A, IWANICKA D. Large area monitoring with a MODIS–based disturbance index(DI) sensitive to annual and seasonal variations[J]. Remote Sensing of Environment, 2009, 113(6): 1250–1261.

[14] SUN L, CHEN J, LI T. A MODIS- based method for detecting large-scale vegetation disturbance due to natural hazards: a case study of Wenchuan earthquake stricken regions in China[J]. Stochastic Environmental Research & Risk Assessment, 2015, 30(8): 1–12.

[15] DUTTA D, DAS P K, PAUl S, et al. Assessment of ecological disturbance in the mangrove forest of Sundar-bans caused by cyclones using MODIS time–series data(2001—2011)[J]. Natural Hazards, 2015, 79(2): 775– 790.

[16] 尤慧, 劉榮高 , 祝善友, 等. 加拿大北方森林火燒跡地遙感分析[J]. 地球信息科學(xué), 2013, (4): 597–603.

[17] PHOMPILA C. Applying the Global disturbance index for detecting vegetation changes in Lao Tropical Forests[J]. Advances in Remote Sensing, 2015, 05(1): 1–9.

[18] 胡利平, 姚延鋒, 裴古娥, 等. 天水地區(qū)近50年氣溫與降水變化特征[J]. 地理科學(xué)進(jìn)展, 2009, 28(4): 651–656.

[19] 李月臣, 宮鵬, 劉春霞, 等. 北方13省1982年～1999年植被變化及其與氣候因子的關(guān)系[J]. 資源科學(xué), 2006, 28(2): 109–117.

[20] 郭慧, 黃濤, 鄧茂芝, 等. 甘肅天水地區(qū)45 a來強(qiáng)降水與洪澇災(zāi)害特征分析[J]. 冰川凍土, 2007, 29(5): 808–812.

[21] 趙洪濤. 甘肅中南部滑坡、泥石流災(zāi)害機(jī)制及防災(zāi)可持續(xù)發(fā)展研究[D]. 蘭州: 蘭州大學(xué), 2010.

[22] 于國強(qiáng), 張茂省, 胡煒. 天水市“7.25”群發(fā)性山洪地質(zhì)災(zāi)害發(fā)育特征及成因分析[J]. 西北地質(zhì), 2014(3): 185– 191.

[23] 趙偉, 李召良. 利用MODIS/EVI時間序列數(shù)據(jù)分析干旱對植被的影響[J]. 地理科學(xué)進(jìn)展, 2007, 26(6): 40–47.

[24] 劉惠峰. 基于時序NDVI的疏勒河流域植被覆蓋分類研究[D]. 蘭州: 蘭州大學(xué), 2014.

[25] VERHOEF W, MENENTI M, AZZAH S. A colour composite of NOAA—AVHRR—NDVI based on time series analysis 1981— 11992. International Journal of Remote Sensing, 1996, 17: 231–235.

[26] ROERINK G J, MENENTI M, VERHOEF W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9): 1911–1917.

[27] 尤慧. 近十年東南亞森林?jǐn)_動的遙感分析[D]. 南京: 南京信息工程大學(xué), 2013.

[28] RAMAKRISHNA R N.Estimation of Regional Surface Resistance to Evapotranspiration from NDVI and Therma–IR AVHRR Data[J]. Journal of Applied Meteo-rology, 1989, 28(4): 276–284.

[29] LAMBIN E F, EHRLICH D. The surface temperature- vegetation index space for land cover and land–cover change analysis[J]. International Journal of Remote Sensing, 1996, 17(3): 463–487.

[30] GOETZ S J. Multi–sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site[J]. International Journal of Remote Sensing, 1997, 18(1): 71–94.

[31] 曹云. 基于MODIS數(shù)據(jù)產(chǎn)品與Landsat遙感影像的云南省近十年森林?jǐn)_動監(jiān)測方法研究[D]. 南京: 南京信息工程大學(xué), 2015.

[32] 于泉洲, 梁春玲, 劉煜杰, 等. 基于MODIS的山東省植被覆蓋時空變化及其原因分析[J]. 生態(tài)環(huán)境學(xué)報, 2015, 24(11): 1799–1807.

[33] MA M, FRANK V. Interannual variability of vegetation cover in the Chinese Heihe River Basin and its relation to meterological parameters[J]. International Journal of Remote Sensing, 2006, 27(16): 3473–3486.

[34] 張仁平. 2000—2012年中國北方草地NDVI和氣候因子時空變化[J]. 中國沙漠, 2015, 35(5): 1403–1412.

[35] 楊慧. 空間分析與建模[M]. 北京: 清華大學(xué)出版社, 2013.

[36] 潘竟虎. 2001—2010年疏勒河流域植被凈初級生產(chǎn)力時空變化及其與氣候因子的關(guān)系[J]. 生態(tài)學(xué)報, 2017, 37(6): 1888–1899.

[37] 徐新良. 土地利用/覆被變化時空信息分析方法及應(yīng)用[M]. 北京: 科學(xué)技術(shù)文獻(xiàn)出版社, 2014.

[38] 吳立葉. 區(qū)域森林?jǐn)_動遙感監(jiān)測研究[D]. 南京: 南京信息工程大學(xué), 2014.

[39] FRIEDL M A, DAVIS F W. Sources of variation in radiometric surface temperature over a tallgrass prairie[M]// Handbook of Africa's international relations/. Routledge, 1994: 1–17.

[40] BICHERON P, DEFOURNY P, BROCKMANN C. GLOBCOVER: products description and validation report[J]. Foro Mundial De La Salud, 2011, 17(3): 285–287.

[41] 趙晶, 周耀治, 鄧興耀. 西北干旱區(qū)植被覆蓋時空動態(tài)特征[J]. 林業(yè)資源管理, 2017, 2(1): 118–126.

[42] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[43] 任沖, 鞠洪波, 張懷清, 等. 天水市近30年林地動態(tài)變化遙感監(jiān)測研究[J]. 林業(yè)科學(xué)研究, 2017, 30(1): 25–33.

[44] CHANG Yaping, DING Yongjian, ZHAO Qiudong, et al. Remote estimation of terrestrial evapotranspiration by Landsat 5 TM and the SEBAL model in cold and high–altitude regions: a case study of the upper reach of the Shule River Basin, China[J]. Hydrological Processes, 2016: n/a-n/a.

[45] 張東海, 任志遠(yuǎn), 王曉峰, 等. 基于MODIS的陜西黃土高原植被覆蓋度變化特征及其驅(qū)動分析[J]. 生態(tài)與農(nóng)村環(huán)境學(xué)報, 2013, 29(1): 29–35.

[46] 奚硯濤, 徐勇, 劉欣婷. 2000-2013年江蘇省不同植被類型NDVI時空變化特征[J]. 水土保持研究, 2016, 23(1): 86-91.

[47] 楊辰. 區(qū)域森林植被擾動遙感監(jiān)測研究[D]. 南京: 南京信息工程大學(xué), 2013.

[48] 張宇欣. 基于擾動指數(shù)的岷江上游森林?jǐn)_動時間序列研究——以理縣為例[J]. 浙江林業(yè)科技, 2017, 37(3): 48–53.

[49] 齊敬輝, 牛叔文, 馬利邦, 等. 2000-2014年疏勒河流域植被覆蓋時空變化[J]. 生態(tài)與農(nóng)村環(huán)境學(xué)報, 2016, 32(5): 757–766.

[50] 趙芳. 三江源區(qū)草地MODIS植被指數(shù)時空變異及驅(qū)動因子分析[D]. 西寧: 青海大學(xué), 2012.

[51] 李小亞, 張勃, 靳自寶. 基于MODIS-NDVI的甘肅河?xùn)|地區(qū)植被覆蓋度動態(tài)監(jiān)測[J]. 水土保持研究, 2013, 20(1): 112–115.

[52] 王文輝. 福建長汀植被覆蓋度變化的主要驅(qū)動影響因子及影響力分析[J]. 福建農(nóng)林大學(xué)學(xué)報(自然版), 2017, 46(3): 277–283.

Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index

ZHOU Yanyan1, GUO Xiaojuan1, ZOU Mingliang1, CHEN Guanguang1, GUO Jianjun2, YUE Dongxia1*

1. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China 2. Key Laboratory of Desert and Desertification, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

The study investigated the temporal-spatial distribution characteristics and driving factors of vegetation disturbance index in the southern part of Tianshui from 2001 to 2016 based on MGDI model, using the Enhanced Vegetation Index(EVI) and Land Surface Temperature(LST) in long time series as data sources. The results are as follows. (1)The spatial variation range of mean vegetation disturbance index value was 0.66-1.09mm on the grid during 2001-2016, which had a significant difference in spatial patterns. And the vegetation disturbance index of the northwest and western parts of the study area was obviously lower than that of other areas, and mainly for positive disturbance. (2)The interannual variability of vegetation disturbance index was decreasing, accounting for 89.58% of the total area. Among all the study area, the reducing trend was most obvious in the cultivated area. The analysis of variance coefficient of vegetation disturbance index showed that the change of vegetation disturbance index in most parts of southern Tianshui since 2001-2016 was relatively stable while the disturbance index of the farming area in the northwest was larger, and the forest area fluctuated less. (3)Vegetation disturbances were affected mainly by altitude, slope, river, and road. Judging from spatial distribution, the disturbance occurred mainly at relatively low elevations, with slower slopes and near rivers and roads.

MODIS; vegetation; disturbance index; spatial and temporal variation; south of Tianshui

10.14108/j.cnki.1008-8873.2019.01.014

P9

A

1008-8873(2019)01-102-09

2017-12-07;

2018-3-20

甘肅省民生科技計劃(1503FCME006)

周妍妍(1992—), 女, 河北邯鄲人, 在讀碩士研究生, 主要從事生態(tài)安全評價研究, E-mail:yyzhou16@lzu.edu.cn

岳東霞, 女, 博士, 教授, 主要從事生態(tài)安全評價研究, E-mail: dxyue@lzu.edu.cn

周妍妍, 郭曉娟, 鄒明亮, 等. 基于擾動指數(shù)的天水南部植被擾動時空序列研究[J]. 生態(tài)科學(xué), 2019, 38(1): 102-110.

ZHOU Yanyan, GUO Xiaojuan, ZOU Mingliang, et al. Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index[J]. Ecological Science, 2019, 38(1): 102-110.