基于不同遥感数据的陕北黄土高原植被变化对比研究

基于不同遥感数据的陕北黄土高原植被变化对比研究

遥感图像中的植被信息主要反映在绿色植物的光谱特征和动态变化上。由于不同植被类型的主要植物种类一般来说都不同,因而其对不同波长光的吸收率也不同。光线照射在绿色植物上时,近红外波段的光大部分被反射,而可见光波段的光除绿色光外大部分被吸收,因而通过对近红外和红波段反射率的线性或非线性组合,可以消除地物光谱产生的影响,从而得到较能反映植被本身特征的指数,一般称其为植被指数。常用的植被指数包括归一化差异植被指数(normalizeddifferencevegetationindex,NDVI)、改进植被指数(advancedvegetationindex,AVI)、高级归一化植被指数(advancednormalizedvegetationindex,ANVI)等。由于归一化差异植被指数(NDVI)能够相当精确地反映植被绿度和光合作用强度,反映植被代谢强度及其季节和年际变化,因此在全球或各大陆等大尺度的植被动态监测、植被分类、全球和区域尺度土地覆被分类及其变化、作物长势检测和物候监测、自然灾害监测等方面均得到了广泛的应用。目前,由于NOAA/AVHRR(advancedveryhighresolutionradiometer)、SPOT--VEGETATION(VGT)、Terra卫星的MODIS(moderateresolutionimagingspectroradiometer)等具有数据序列完备、易获取等优点,利用NDVI的时间变化来监测区域植被变化的研究日趋增多。但由于AVHRR、SPOT--VGT和MODIS遥感数据的传感器及时空分辨率存在差异,究竟哪种遥感数据得出的NDVI更能反映地区的植被类型特征、空间分布和时间变化等尚不清楚;针对某一特定的植被类型而言,3种遥感数据NDVI之间存在差异且表现不尽相同,那么,造成这种差异的原因又是什么?为了解决这些问题,就需要从多个方面对不同遥感数据NDVI之间的差异进行研究。目前针对3种遥感数据的差异,多集中在传感器差异、植被指数原理等基础方面进行研究,而对3种遥感数据在应用方面各自的特点和相互关系的研究还相对较少。Brown等曾探讨AVHRR、SPOT--VEGETATION、MODIS和LandsatETM+的NDVI在不同研究区域的差异,Chen等也以墨西哥西部的玉米地为样地比较MODIS/EVI、MODIS/NDVI和VEGETATION/NDVI的差异。我国植被状况不同于其他国家,而针对3种遥感数据在应用方面的异同研究还处于起步阶段,尤其是黄土高原地区,植被类型多样,下垫面状况复杂,从1999年退耕还林试点以来,区域植被更是发生了巨大的变化。比较3种常用的遥感数据在监测黄土高原地区植被变化时的差异,找出能最真实地反映黄土高原地区植被变化状况的遥感数据,对于精确监测黄土高原地区植被并研究该地区环境的长期变化具有重要意义。陕北黄土高原地处黄土高原腹地,水土流失现象十分严重,植被状况对该流域内水土保持起着至关重要的作用,尤其是退耕还林以来,区域植被发生较大的变化,对退耕过程中植被动态变化进行监测就成了退耕还林工程评价的任务之一。自退耕还林还草工程实施以来,对陕北黄土高原植被恢复状况的监测多依靠单一遥感数据的NDVI,而单一遥感数据NDVI能否反映现实植被的变化,以及究竟哪种遥感数据NDVI在反映陕北地区植被变化中更有优势,还有待于进一步研究。本文利用GIMMS、SPOT--VGT和MODIS在陕北黄土高原地区重叠时间序列(1998—2007年)的NDVI数据,从空间分布和时间变化两个角度探讨3种遥感数据在反映该地区植被NDVI方面的异同。同时,针对该地区几种主要的植被类型,分析不同植被类型下3种遥感数据NDVI的分布特征及演变规律,找出最能反映陕北黄土高原地区植被实际情况的遥感数据序列,提高陕北黄土高原地区退耕还林过程中的植被变化监测的准确性。这对于完善退耕还林工程评价具有一定的现实意义。在对GIMMS、SPOT--VGT和MODIS植被指数之间的关系进行研究的同时,分析GIMMS和MODIS数据NDVI值之间的相互关系,判断GIMMS/NDVI能否作为MODIS应用模型中历史均值的NDVI,为MODIS数据在时间序列上的向后延伸提供一定的思路。1数据来源和处理方法1.1研究区地貌背景研究区位于黄土高原中部的陕北地区,包括榆林、延安、铜川三市,地理位置介于34°49′~39°35′N、107°10′~111°14′E之间。海拔约1000~2000m。东隔黄河峡谷与晋西黄土高原相望,西以子午岭与陇东黄土高原为界,南与关中盆地毗邻,北接鄂尔多斯高原。研究区地域广阔、丘陵沟壑遍布。处于暖温带大陆性季风半湿润气候向温带半干旱气候的过渡区,年平均气温8~12℃,年平均降水量350~600mm。气温和降水的空间分布差异较大,下垫面情况复杂,包含森林、草地、农田、荒漠、湖泊等多种土地覆被类型和土地利用方式。多样的自然环境使研究区具有植被类型多样、植被分布差异较大的特点。1.2遥感质量数据的获取AVHRR数据来自美国航空航天局(NASA)全球监测与模型研究组GIMMS(GlobalInventorModelingandMappingStudies)发布的半月最大值合成数据,空间分辨率是8km,时间是1998年1月至2006年12月。GIMMS数据经过几何精纠正、辐射校正、大气校正等预处理,且都已采用最大值合成法(maximumvaluecomposite,MVC)以减少云、大气、太阳高度角等的影响,同时GIMMS数据还利用经验模式分解(EMD)减少了由于卫星轨道漂移所产生的噪音,并利用交叉辐射定标的方法,增强了数据的精度。SPOT--VGT数据空间分辨率为1km,时间分辨率为1d,由比利时佛莱芒技术研究所(FlemishInstituteforTechnologicalResearch,Vito)VEGETATION影像中心提供,时间是1998年4月至2007年12月。预处理包括大气校正、辐射校正、几何校正,且都已采用最大值合成法获取时间分辨率为10d的最大值合成数据,以减少云、大气、太阳高度角等的影响。MODIS数据来源于美国LPDAAC(LandProcessDistributedActiveArchiveCenter)的MODIS数据中的16d最大值合成的植被指数MOD13A1数据产品,空间分辨率为250m,时间是2000年3月至2007年12月。MODIS数据预处理包括BOW--TIE处理、条纹去除、数据定标、几何精校正、投影变换和数据融合等。其中几何精校正利用ENVI软件提供的GeoreferenceMODIS1B校正方法进行。由于MODIS数据的HDF文件中含有经度和纬度信息,该方法先从HDF--EOS头文件中提取经纬度坐标,转化为ENVI的地面控制点(GCP)文件,从而不需人工选取GCP,这使得几何校正的速度和自动化程度大大提高。所用的植被空间分布数据来源于数字化的1∶100万中国植被图。利用ArcGIS对陕北地区植被图进行投影变换,转变成与上述遥感数据相同的投影方式;最后将陕北地区植被图中的植被类型进行合并,参考陕北地区实际情况,合并为针阔混交林、疏林、草地、荒漠草地、荒漠、水浇地、旱地和水体8种土地利用/覆被类型(见图1)。1.3气调预处理由于本研究使用的GIMMS和SPOT--VGT数据都已经过几何精纠正、辐射校正、大气校正等预处理,且都已采用最大值合成法以减少云、大气、太阳高度角等的影响,因此这里所要作的处理主要包括影像配准、降噪和NDVI的归一化处理等。1.3.1配准和配准时相遥感影像配准(senseimagesregistration)是使一幅影像与另一幅影像相匹配的过程,主要是使同名地物相匹配。在此过程中涉及到几何位置变换和影像灰度重采样两个方面。由于GIMMS、SPOT--VGT和MODIS数据多用于区域植被的动态监测,本文在配准时不考虑波段间数据的配准,只考虑不同时相数据间的相对配准。在配准时采用ENVI专业软件提供的RegisterImaginetoImagine功能,对两个时相的数据进行相对配准。分别在两幅影像中选取出同名地物点,影像处理系统根据两影像之间的数学换算关系,进行遥感影像相对配准,最终将3种遥感影像不同时相数据间配准精度达到子像元级,满足区域植被动态监测的需要。1.3.2ndvi时间序列物候去噪利用最大值合成法分别将不同时段的GIMMS、SPOT--VGT和MODIS数据进行月最大值合成,获得3种遥感影像每月的最少云干扰的准确数据,但是这仍摆脱不了伪数据点的影响,要让NDVI时间序列数据能更好地反映物候年内或年际变化信息,还需要进一步进行去噪声处理。运用离散傅立叶变换(discretefouriertransform,DFT)进行时间序列的谐波分析可以正确表达每年内的物候变化,因此本研究又基于离散傅立叶变换对时间序列遥感数据进行降噪处理(具体步骤见参考文献),从而进一步减少了云和大气的干扰,获取能够正确表达植被变化的遥感数据。1.3.3基于dn值的遥感检测经过上述遥感数据的处理步骤,获得3种遥感数据NDVI年内逐月最大NDVI值和全年最大NDVI值,统一投影体系为WGS84/Geographic。由于3种遥感数据像元的DN值(digitalnumber,像元的初始数值)不同(GIMMS、SPOT--VGT和MODIS的DN值分别为3~253、0~250和-3000~10000),为了便于对比分析,在ERDASIMAGINE9.0建模工具中,分别根据不同的公式(NDVI=0.008(DN-128)、NDVI=0.004DN-0.1和NDVI=0.0001DN),将GIMMS、SPOT--VGT和MODIS的DN值转化为对应的NDVI值(-1~1),从而能够更好地比较不同分辨率遥感数据NDVI的差异。1.4ndvi的时空分布特征目前GIMMS、SPOT--VGT和MODIS遥感数据NDVI被广泛应用在反映区域植被空间分布、年内变化及年际变化上,为了全面分析3种遥感数据在应用方面的异同,本文从植被空间分布、NDVI季节变化及年际变化3个方面来分析GIMMS、SPOT--VGT和MODIS遥感数据之间的差异。其中在植被空间分布上,遥感数据NDVI能否准确反映实际的植被覆被情况作为比较三者差异的重要依据。利用最大值合成法获取3种遥感数据夏季(6—8月)的最大化NDVI,从而反映3种遥感数据在植被覆盖最高时期的空间分布差异。然后,通过3种遥感数据在陕北地区NDVI分布的直方图,分析3种遥感数据NDVI在反映不同地物类型上的差异,从而可以看出哪种遥感影像能准确反映实际的植被覆盖情况。在植被的季节变化上,将陕北地区各像素NDVI进行求和平均来作为整个陕北地区的月NDVI,从而分析3种遥感数据NDVI季节变化的异同;同时利用均方根误差(RMSE)分析和相关分析来分析不同季节3种遥感数据NDVI的异同,进而可以较全面地看出3种遥感数据NDVI的差异。在反映植被的年际变化上,通常利用两种方法来获取当年的NDVI,一种是将逐月最大NDVI进行加和平均,另一种是利用最大值合成法取全年最大NDVI用于反映当年植被情况。由于全年最大化NDVI在反映植被年际变化中更明显,因此通过将陕北地区各像元全年最大化NDVI进行加和平均来作为整个地区当年的NDVI,从而反映区域植被的年际变化。另外,3种遥感数据NDVI在反映不同植被覆被类型时差异也会不同。通过统计陕北地区主要的几种植被类型,依据植被类型的不同来逐像元加和平均,作为该类植被类型当年的NDVI;利用相关分析和均方根误差分析来反映3种遥感数据NDVI在反映不同植被类型年际变化中的差异。2数据的ndvi2.13种遥感数据NDVI的空间分布特征夏季是植被生长最旺盛的时期,对陕北地区不同遥感数据的2007年夏季(6—9月)植被NDVI进行最大值合成,从而得到MODIS/NDVI、SPOT--VGT/NDVI和GIMMS/NDVI在陕北地区植被覆盖度最高时期的空间分布(图2)。从图2中可以看出:GIMMS/NDVI、SPOT--VGT/NDVI和MODIS/NDVI大范围上的空间分布格局基本一致,NDVI从南向北递减,这与陕北地区的植被分区相吻合。陕北地区从南向北可以划分为森林区、森林草原区和草原区,其中南部的森林区是陕北地区水热条件最好的区域,同时也是陕北黄土高原仅存的天然次生林区。国家和政府投入了大量的人力和物力进行封山育林,各处都保育起大片的油松(Pinustabulaeformis)、山杨(Populusdavidiana)和辽东栎(Quercuslioiungensis)等落叶阔叶林。GIMMS/NDVI、SPOT--VGT/NDVI和MODIS/NDVI平均值都在0.7以上。北部沙化草原区由于降水稀少,同时处于毛乌素沙地的边缘,多为分布稀疏的荒漠植被,NDVI最大值低于0.3。通过逐像元统计3种遥感数据的NDVI,得到陕北地区3种遥感数据NDVI分布图(图3)。从图3可以看出,MODIS和SPOT--VGT在NDVI分布比例上基本相同,但与GIMMS/NDVI却存在一定程度的差异。GIMMS/NDVI范围是0.166~0.816,介于0.36~0.45之间的区域分布面积最大,占总分布面积的32.6%,相对于MODIS/NDVI和SPOT--VGT/NDVI来说明显偏低;另外由于GIMMS/NDVI最低值为0.166,在反映水体等地物类型时误差较大,尤其是把陕北地区许多水体当成植被覆被区处理,如陕北地区最大的内陆湖红碱淖等。MODIS和SPOT--VGT在NDVI分布趋势上基本相同,NDVI的分布比例分别出现两次峰值,相对于SPOT--VGT(NDVI最大值为0.888),MODIS/NDVI最大值为0.961,在高生物量覆盖地区,如子午岭、黄龙山等次生林区的植被检测上具有明显的优势。由于MODIS数据相对于GIMMS和SPOT--VGT数据不仅有地物分辨率上的优势,而且在NDVI动态范围上也明显大于GIMMS和SPOT--VGT数据,因此用于监测植被类型多样的陕北黄土高原具有明显的优势。2.23种遥感数据NDVI的时间分布特征2.2.1NDVI的季节变化特征图4表示了3种遥感数据1998—2007年NDVI的季节变化情况,其中GIMMS数据是1998—2006年的,SPOT--VGT和MODIS数据则是2000—2007年的。从图4中可以发现,3种遥感数据NDVI的季节变化趋势基本一致,其中NDVI最小值出现在冬季,最大值出现在夏季,这与陕北地区的气候条件相吻合。陕北地区冬季寒冷干燥,植物停止生长,夏季雨热同季,植物生长旺盛。从具体的NDVI值方面来分析,MODIS和SPOT--VGT的最大NDVI值要明显高于GIMMS/NDVI,这说明了MODIS和SPOT--VGT传感器对植被的响应比GIMMS要敏感,尤其在监测植被NDVI变化方面要优于GIMMS。这与刘良明等的研究结论相同,也就更进一步说明了传感器的光谱范围越窄,对植被的监测越有利。虽然3种遥感数据在反映陕北地区植被季节变化趋势上一致,但三者之间究竟存在多大的差异,以及在不同季节三者之间的差异有何不同,还需要进一步研究。本文通过两两分析其NDVI值在不同季节的均方根误差和相关系数(r),分析3种遥感数据在不同季节的异同。从表1可以看出:GIMMS/NDVI和MODIS/NDVI之间的均方根误差要明显高于其他两种组合,同时两者之间的相关系数也最低,这是由于GIMMS和MODIS数据一方面在地物分辨率上存在巨大的不同,另一方面在感光光谱红外波段(RED)和近红外波段(NIR)的范围上也存在较大差异;另外,夏季和秋季两个季节的均方根误差要明显高于其他两个季节,其主要原因是:一方面由于夏季和秋季的NDVI值要明显高于冬春两季,造成GIMMS和MODIS数据的均方根误差较高;另一方面,由于夏季和秋季是陕北地区的雨季,云量和水气较多,GIMMS的感光波段受水气和云的影响较大,从而造成了夏秋两季的均方根误差较高。通过将3种遥感数据不同季节NDVI做相关分析,发现3种遥感数据在反映不同季节变化时都呈现出很强的相关性,均通过了置信度为99%的显著性检验。不同季节NDVI之间的相关系数略有不同,其中相关系数最低的是冬季。这是由于NDVI在反映雪地或裸地时不太敏感,而陕北黄土高原地区一方面冬季寒冷,积雪不易融化,另一方面陕北地区植被多为落叶阔叶林或一年生草本,冬季植被停止生长,地表裸露度提高,因而3种遥感数据在反映陕北地区冬季植被NDVI变化上存在一定差异。2.2.2NDVI的年际变化特征由于GIMMS、SPOT--VGT和MODIS数据在时间序列上的连续性,被广泛应用到监测区域植被年际之间的动态变化中。图5表示了陕北地区3种遥感数据NDVI从1999—2006年之间的变化趋势及3种遥感图像的年NDVI与时间序列的线性回归分析。从图5可以看出:陕北地区SPOT--VGT/NDVI和MODIS/NDVI在1999—2006年期间整体呈现显著的上升趋势,两种遥感数据NDVI与年际之间都存在很好的线性关系,说明陕北地区经过退耕还林(草)工程后,植被覆盖度有明显的增加趋势,植被得到一定的恢复;然而GIMMS/NDVI却没有呈现显著增加的趋势,其原因在于GIMMS数据的红波段和近红外波段的波宽范围明显大于MODIS和SPOT--VGT,因而对植被变化的响应不太敏感。为了更进一步反映3种遥感数据在不同植被类型年际变化响应上的差异,通过统计1999—2007年陕北地区不同植被类型的NDVI,计算3种遥感数据NDVI之间的均方根误差和相关系数,探讨3种遥感数据在不同植被类型年际变化响应之间的异同(表2)。从表2可以看出,GIMMS/NDVI与MODIS/NDVI之间的均方根误差要明显高于其他两者之间。同时,从表2中还可以看出不同植被类型均方根误差的差异。随着植被覆盖度的提高,不同数据NDVI之间的均方根误差也相应提高,其原因在于随着植被覆盖度提高,植被NDVI也相应提高,由于3种遥感数据对植被的敏感度不同,NDVI变化的程度也必然不同,从而造成针阔混交林的均方根误差在7种主要的植被类型中最高。通过3种遥感数据NDVI年际变化之间的相关分析,得出GIMMS/NDVI和MODIS/NDVI之间的相关性最差,这是由于无论从地物分辨率还是植被感光波谱范围上,GIMMS/NDVI和MODIS/NDVI之间都存在最大的差异。从不同植被类型的相关系数上来看,3种遥感数据在反映旱地、水浇地和草地NDVI时表现出了一定的相关性,GIMMS/NDVI和MODIS/NDVI相关系数也较高,尤其是在旱地,GIMMS/NDVI和MODIS/NDVI达到了显著相关水平。这是由于陕北地区1999年实施了退耕还林(草)工程,尤其是在陕北丘陵沟壑区,植被得到了较好的恢复,植被由原来的坡耕地转变为林地(草地),NDVI年际变化幅度较大。在针阔混交林和疏林等植被类型区,GIMMS/NDVI和MODIS/NDVI相关系数很低,甚至出现负值,这说明了AVHRR传感器对植被的响应不太敏感,与其他两者的传感器相比更易受水气和云的干扰,不太适合监测高覆盖度植被(如针阔混交林等)NDVI年际变化动态,且GIMMS/NDVI的年最大值仅为0.816,与实际植被的NDVI有较大差异。而MODIS和SPOT--VGT数据在监测不同植被类型年际变化时差异不大,因此在反映植被年际变化时可以相互替代。3数据的时空分布特征本研究从用户的角度出发,选定目前在大尺度植被监测上常用的3种遥感数据(GIMMS、SPOT--VGT和MODIS),以陕北地区为例,探讨三者在空间和时间变化上的差异,结果表明:MODIS与SPOT--VGT和GIMMS相比,由于其分辨率和对植被变化的敏感度的提高,在植被监测中更具有优势,更适用于监测植被类型多样的陕北地区植被的季节变化及年际变化。在数据处理中对GIMMS、SPOT--VGT和MODIS数据进行了几何精纠正、辐射校正、大气校正等预处理,且都已采用最大值合成法和离散傅立叶变换降噪以减少云、大气、太阳高度角等的影响。虽然没有经过辐射校正模型(如6S和临近效应等)严格的辐射矫正,但计算的植被指数和初步分析结果仍然令人满意。本文在分析3种空间分辨率不同的遥感数据时,并未考虑三者之间的尺度效应及进行相关的尺度转换,且由于GIMMS、SPOT--VGT和MODIS数据重叠年限时间较短和研究区域的限制,因而结论尚不能全面反映三者之间的差异。随着遥感数据辐射校正方法的进步、3种遥感数据重叠时间的加长和尺度转换手段的进步,对三者之间的异同研究将会更加深入和准确。1)MODIS/NDVI、SPOT--VGT/NDVI和GIMMS/NDVI在反映陕北地区大范围上的空间分布格局时基本一致,与陕北地区的植被分布特征相吻合。但在具体的像元分布上,通过建立陕北地区3种遥感数据NDVI分布图(图3)可以看出,MODIS/NDVI比SPOT--VGT/NDVI和GIMMS/NDVI在地物分辨率上更具有优势,尤其在植被覆盖度高的地区。GIMMS/NDVI范围是0.166~0.816,其中NDVI介于0.36~0.48之间的区域分布面积最大,占总分布面积的32.6%,相对于MODIS/NDVI和SPOT--VGT/NDVI来说明显偏低。MODIS/NDVI值分布在0.001~0.961之间,NDVI值的动态范围明显大于GIMMS/NDVI和SPOT--VGT/NDVI,更适用于监测植被类型多样的陕北地区植被季节变化及年际变化。2)3种遥感数据NDVI的季节变化趋势基本一致,其中NDVI最低值在冬季,最大值出现在夏季,这与陕北地区