盧文宇，李 巍

(黑龍江科技大學礦業(yè)工程學院，黑龍江 哈爾濱 150022)

1 研究背景

長春是中國吉林省的省會、副省級市、長春城市群核心城市，國務(wù)院批復(fù)確定的中國東北地區(qū)中心城市之一和重要的工業(yè)基地。截至2020年，全市下轄7個區(qū)、1個縣、代管3個縣級市，總面積24 662 km2，全國第二次土地調(diào)查成果顯示，全市總面積24 744 km2。植被覆蓋度作為生態(tài)因子的非生物因子中影響范圍較廣，因素較多的因子，可以很好地反映長春市的生態(tài)環(huán)境狀況。因此，綜合運用多種理論和方法，采用遙感數(shù)據(jù)，以遙感與地理信息系統(tǒng)理論為依據(jù)，對長春市的植被覆蓋度展開計算與評估有很大的必要[1-3]。

2 研究方法

2.1 數(shù)據(jù)來源

本文所采用數(shù)據(jù)為長春市2009年—2018年十年間遙感數(shù)據(jù)與長春市邊界矢量數(shù)據(jù)，遙感數(shù)據(jù)來源于地理數(shù)據(jù)云網(wǎng)站(http://www.gscloud.cn/)，根據(jù)長春市的條代碼28與行編號115進行高級檢索，分別搜索Landsat5,Landsat7,Landsat8的數(shù)據(jù)下載，在ENVI軟件中打開MTL格式的數(shù)據(jù)進行處理。

由于所研究的對象為植被，所以所選數(shù)據(jù)均處于6月～9月份之間，植被最為茂盛，效果最為明顯的時間區(qū)間的數(shù)據(jù)進行研究。而長春邊界的矢量數(shù)據(jù)則是來自全國省市矢量圖，利用ArcGIS軟件在總圖中提取出長春市的邊界進行單獨構(gòu)層，形成長春市邊界矢量數(shù)據(jù)。主要數(shù)據(jù)內(nèi)容見表1。

表1 數(shù)據(jù)源信息表

2.2 數(shù)據(jù)預(yù)處理

根據(jù)所選傳感器類型不同，所得到的遙感數(shù)據(jù)也不盡相同，而對于不同類型的數(shù)據(jù)，其預(yù)處理過程也有較細微的差別。其中，對于Landsat7的遙感數(shù)據(jù)，在進行處理之前需要將數(shù)據(jù)影像進行去條帶化處理，這是與Landsat5和Lansat8數(shù)據(jù)的差別。對于去條帶化處理，則需要使用到gapfill插件，選擇單一文件以及輸出路徑即可。

1)輻射定標。

在ENVI中加載原始影像和“sjx.shp”矢量數(shù)據(jù)，利用Radiometric Calibration工具，定標時需利用“sjx.shp”矢量數(shù)據(jù)做裁剪，可以在該步驟對所需的感興趣區(qū)域進行裁剪，輸出運行結(jié)果即可。

2)大氣校正。

研究植被覆蓋度信息需要真實的太陽光輻射情況，所以進行大氣校正是不可回避的問題。

3)影像裁剪。

由于長春市區(qū)可由一幅影像表示，所以不需要進行圖像融合與鑲嵌，直接利用長春市矢量數(shù)據(jù)對處理后的影像進行裁剪，得出所需范圍即可[4-6]。利用Regions of Interest>Subset Data from ROIs工具進行裁剪。裁剪后的圖像內(nèi)黑色顯示的區(qū)域背景值為0，于是需要忽略背景值。利用Edit ENVI Header>Data Ignore Value工具進行忽略背景值。

2.3 計算歸一化植被指數(shù)NDVI

由于植被的光譜特征具有其自身獨有的特性，不同于土壤、水體和其他的典型地物，所以可在遙感影像上有效地與其他地物相區(qū)別[7]。植被反射光譜曲線如圖1所示。

在可見光波內(nèi)，各種色素是影響植物光譜響應(yīng)的主要因素，其中葉綠素所起的作用尤為重要。正常的波譜曲線:接近可見光綠波段(0.5 μm～0.6 μm)有一個反射峰[8-9]；而該反射峰的兩側(cè)，即藍光波段(0.38 μm～0.5 μm)和紅光波段(0.6 μm～0.76 μm)則有兩個植物葉綠素的吸收帶，形成光譜曲線的兩個低反射谷，這一特征是由于植物葉綠素的影響，葉綠素對藍光和紅光吸收作用強，而對綠光反射作用強[10]。第二個反射峰出現(xiàn)在近紅外波段(0.76 μm～1.1 μm)，其中0.7 μm～0.8 μm反射率陡峭上升，形成光譜曲線上的“陡坡”。

植被指數(shù)多種多樣，然而應(yīng)用廣泛且常見的植被指數(shù)主要有以下幾種：歸一化植被指數(shù)NDVI，比值植被指數(shù)RVI，綠度植被指數(shù)GVI，垂直植被指數(shù)PVI，環(huán)境植被指數(shù)EVI[11-13]。其中，歸一化植被指數(shù)NDVI可以較全面和準確地反映植被信息，其在處理以及計算過程中所受噪聲影像較少，且與植被覆蓋度的關(guān)系更為緊密。

鄉(xiāng)土正義的語境復(fù)雜性在于，不同正義體系之間的交織、割據(jù)與共生，糾紛主體糾纏于不同正義體系之中。當日常生活利益遭遇侵犯，村民難以通過國家制度法規(guī)來主張正義[12]。或許，這種張力并非源于結(jié)構(gòu)性的規(guī)則—價值體系競爭，亦非法律與社會之間的“系統(tǒng)張力”[13]；而是具有更深層次的社會控制機制層面上的緣由。就此而言，身處糾紛解決場域之中的行動主體，理應(yīng)獲得更多的理論關(guān)注。

歸一化植被指數(shù)(NDVI)是反映農(nóng)作物長勢和營養(yǎng)信息的重要參數(shù)之一，同時也是用于監(jiān)測植被變化的最經(jīng)典植被指數(shù)，眾多學者在研究中都對使用NDVI估算植被覆蓋度的方法作了檢驗[14]。NDVI的取值范圍介于-1與1之間，具體地表覆蓋物與輻射特征如表2所示。

表2 NDVI取值范圍特征表

歸一化植被指數(shù)NDVI是反映土地覆蓋狀況的一種遙感指標，定義為近紅外波段NIR與可見光紅波段RED數(shù)值差和這兩個波段數(shù)值和的比值即NDVI=(NIR-RED)/(NIR+RED)[15]。NDVI在植被指數(shù)中占據(jù)著非常重要的位置，其優(yōu)勢眾多，主要有以下幾個方面[16]：首先，NDVI作為典型植被指數(shù)，其對植被監(jiān)測非常敏感，靈敏度較高,其次，植被覆蓋度的檢測范圍比較廣；最重要的一點是，可以在一定程度上削弱地形和群落結(jié)構(gòu)的陰影以及輻射干擾，消除太陽高度角和大氣所帶來的噪聲，該優(yōu)勢在一定程度上凈化了數(shù)據(jù)，使得最終結(jié)果誤差較小，更貼近實際監(jiān)測數(shù)據(jù)值。

植被覆蓋度(Vegetation Fractional Cover,VFC)的定義較為廣泛與多樣，但對植被覆蓋度最為通常的定義是為植被(包括葉、莖、枝)在地面的垂直投影面積占統(tǒng)計區(qū)總面積的百分比[17]。

像元二分模型是一種簡單實用的遙感估算模型，假設(shè)一個像元所對應(yīng)的地表信息是由兩部分組成：將所觀測到的信息S線性分解為Sv與Ss兩部分[18]，即：

S=Sv+Ss

(1)

假設(shè)像元內(nèi)全為植被覆蓋，定義該種情況純像元的遙感信息為Sveg，則有裸土覆蓋存在的像元內(nèi)即混合像元中植被部分所貢獻的信息Sv可以表示為Sveg與N的乘積[19]：

Sv=N×Sveg

(2)

同理，假設(shè)像元內(nèi)全由裸土所覆蓋的純像元的遙感信息為Ssoil，則有植被覆蓋存在的混合像元中土壤成分所貢獻的信息Ss可以表示為Ssoil與1-N的乘積[20]：

Ss=(1-N)×Ssoil

(3)

將式(2)和式(3)代入式(1)得：

S=N×Sveg+(1-N)×Ssoil

(4)

(5)

將通過遙感傳感器所觀測到的信息S轉(zhuǎn)變?yōu)镹DVI，NDVIveg為全植被覆蓋像元的NDVI值，NDVIsoil為無植被覆蓋的裸土像元的NDVI值，那么，由上述公式可得:

(6)

其中，N為像元中有植被覆蓋的面積比例，即植被覆蓋度VFC，得到最終求植被覆蓋度的公式：

(7)

由此可見，若要求得植被覆蓋度的值，確定NDVIsoil與NDVIveg是重要因素。

3 結(jié)果分析

3.1 植被覆蓋度專題圖

2009年—2018年植被覆蓋專題圖見圖2，從圖2中可看出，長春在2009年—2018年十年間植被變化程度很大，主要集中在長春中東部地區(qū)范圍內(nèi)。首先，2009年—2012年間裸地、低植被覆蓋、中植被覆蓋以及高植被覆蓋面積變化較少，中低植被覆蓋面積變化較大，且有增多的趨勢，變化主要集中在西南部和西北部內(nèi)；2012年—2015年間，裸地以及中低植被覆蓋面積變化最大，由圖像變化可以看出，裸地范圍由西南部和西北部為中心向外擴散；2015年—2018年間變化較大，從圖像上可知，裸地面積在2015年的基礎(chǔ)上又有所增加，且仍從西南部西北部向外擴散，同時，中低植被覆蓋度面積在農(nóng)安區(qū)與榆樹區(qū)的面積有所減少，中高植被覆蓋面積有所增加，勃利縣范圍內(nèi)的裸地面積有所減少，但變化不大。

縱觀2009年—2018年十年間的整體變化，裸地面積整體呈現(xiàn)上升趨勢，且有由西南部西北部向外擴散的現(xiàn)象。低植被覆蓋面積整體變化不大。而中低植被覆蓋度的面積由2009年—2015年逐年增加。中高植被覆蓋程度的面積從2009年—2018年明顯減少。由四年影像變化可以看出，長春市高植被覆蓋范圍逐年縮小。整體情況不容樂觀。

3.2 轉(zhuǎn)移矩陣數(shù)據(jù)及分析

得到分級后的植被覆蓋度專題圖后，利用ENVI軟件中的Confusion Matrix Using Ground Truth Image工具進行轉(zhuǎn)移矩陣的制作，四年的影像數(shù)據(jù)得到了表3～表5。

表3 2009年—2012年土地轉(zhuǎn)移矩陣 km2

表4 2012年—2015年土地轉(zhuǎn)移矩陣 km2

表5 2015年—2018年土地轉(zhuǎn)移矩陣 km2

從以上矩陣中，可以得出以下結(jié)論：2009年—2012年間，高植被覆蓋土地面積有轉(zhuǎn)入也有轉(zhuǎn)出，但其轉(zhuǎn)出的面積遠遠大于轉(zhuǎn)入的面積，兩者差值高達582.7 km2；在2012年—2015年間，變化最大的為高植被覆蓋轉(zhuǎn)化為中植被覆蓋的320.5 km2，其次為高植被覆蓋轉(zhuǎn)化為中低植被覆蓋的108.81 km2，三年間的最大變化均是由高植被覆蓋轉(zhuǎn)出，所以高植被覆蓋的土地面積從2012年的16 959.75 km2增加為2015年的17 542.44 km2。到2015年—2018年間，上述情況明顯有所改善，此期間面積最大的變化是由中植被覆蓋轉(zhuǎn)為高植被覆蓋的13 730.44 km2，其次是高植被覆蓋轉(zhuǎn)出為中植被覆蓋的1 311.81 km2，雖然有所改善，但整體情況不容樂觀，直至2018年間，高植被覆蓋的土地面積為15 620.44 km2，仍遠低于2012年的高植被覆蓋面積。由表中數(shù)據(jù)可知，覆蓋程度為高植被的土地面積占土地總面積最大，因此其變化值對于整體的結(jié)構(gòu)占比有重要意義，同時，其他覆蓋類型的面積變化也可以從側(cè)面反映出長春市的植被覆蓋情況，但影響甚微，因此主要分析高植被及中植被覆蓋程度的土地面積變化，同時結(jié)合四年植被覆蓋度專題圖的變化，可以得出較精確的結(jié)論。

4 結(jié)語

針對長春市植被覆蓋度總體下降的問題，各有關(guān)部門應(yīng)該對其采取相應(yīng)的措施，保護自然環(huán)境中野生植被的生長，并在植被稀疏地區(qū)進行人為的植樹造林；對于各類工廠來說，可以轉(zhuǎn)變工廠的經(jīng)營模式，加強對環(huán)境方面的保護意識，實行可持續(xù)發(fā)展政策，努力提高植被覆蓋程度。對于各級管理部門來說，加強對長春市植被的監(jiān)管制度，采用遙感手段對植被進行定期的監(jiān)測，對比每期的植被變化情況，可以及時準確地了解植被覆蓋度變化信息，迅速有效的對植被產(chǎn)生的各種問題制定解決方案，對植被覆蓋度進行實時遙感監(jiān)測也能在更大程度上為長春市的綠色發(fā)展建設(shè)提供支持。