《植被覆盖与空气湿度关系实证研究》5600字（论文）

植被覆盖与空气湿度关系实证研究TOC\o"1-2"\h\u8757摘要 1279661绪论 1206731.1研究背景 1118581.2研究目的 2152331.3研究意义 2101742相关概念 3223642.1植被指数 372762.2归一化植被指数 3324322.3植被覆盖度 3317372.4湿度 4119173.研究区域与方法 449843.1研究区域 4150953.2研究方法 474654.数据选取及预处理 667084.1湿度数据的获取 6284494.2遥感数据的选取 6100824.3数据的预处理及计算 7184195.结果分析 8324975.1兰州新区植被覆盖度分析 8291445.2海南五指山计算结果分析 9275696.结果比较 10307007.结语 1220887参考文献 12摘要：空气湿度是环境中的一个重要因素。植被覆盖度是勘测地表植被情况的重要指标，是感染土壤侵蚀的最重要因素，对地区变化和环境监测有重要意义。本文通过大量数据的比较，通过对兰州2013和2017年植被覆盖度的研究，以及对海南2008年这一年植被覆盖度的讨论。这些植被覆盖与什么有关呢？我们发现，植被覆盖与空气湿度密切相关，这是最主要的因素。也就是说，湿度与植被覆盖的关系是反比例关系。用数据说话，我们通过兰州新区和海南两个城市同一个月份好多数据的比较，得出结论：湿度越高，植被越好。关键词：湿度；植被覆盖度；兰州；海南1绪论1.1研究背景我是土生土长的海南人，过来兰州读书后发现这边和海南在植被种植方面有些区别。在兰州求学的四年时间里，我发现，兰州的植被覆盖不好，而海南的植被覆盖好；夏天的时候，兰州植物的叶子很茂盛，但入冬后，植物叶子就变得很稀少了；大二的时候，学院组织了植树活动，第一次见到这么光秃秃的山，有些感慨；为什么兰州山上的树长得这么少，草也没有几棵；因为学校就在黄河边上，闲来无事的时候，常常跟同学去黄河边边上走走逛逛，走的时间多了，逛的时间久了，我就发现了一个问题，为什么黄河边上的土地是湿的，但也长不出茂盛的草呢？种种疑问在心中堆积了很久，所以借着这次毕业论文的机会，想把这些问题简单的了解了解。1.2研究目的本研究是在对兰州和海南岛湿度的基础上，在自然条件较差、人为干扰频繁的兰州新区和海南岛具有独特地理位置的情况下调查植被覆盖度的变化，并进一步探讨了植被覆盖度和湿度的定量关系。1.3研究意义湿度是影响植被覆盖度的特征指标。探讨了植被指数与湿度的关系，对于理解植被活动、碳循环、水分循环、植被动态等作用机制具有重要意义。兰州新区是兰州未来发展的预留地。但地处内陆的西北半干旱区干旱少雨，植被少，环境敏感脆弱。因此，在半干旱地区，不仅要防范该地区的生态风险，而且要促进城市的绿化和可持续发展。另外，以往对兰州新区的研究主要集中在土地利用景观模式的变更，环境安全的评价、生态服务的功能价值、湿度、植被等方面。且对于湿度与植被关系的研究不多。所以，本文对兰州新区的生态建设活动具有一定的科学指导意义。五指山地处海南岛中部，为海南第一峰，有“海南屋脊”之称。海南岛的天然林分布地区众多，五指山市是最重要地区之一。因为海南岛生物物种种类众多，河流众多，因此五指山的环境保护十分重要。2相关概念2.1植被指数植被指数是对地表植被活动的简单、有效和经验的度量REF_Ref25599\r\h[1]。这些参数可以有效地评价地表植被的生长活性。包括主要生产力分析、干旱监测等。2.2归一化植被指数归一化植被指数是反映植被大尺度变化的标准，它广泛应用于大规模植被覆盖度监测等相关研究。其应用是比较完善的，可为探究植被覆盖度的发展供给理论支撑，植被指数是运用遥感得到的，我们用植被的光谱实行了一连串的筹算。以下是模型的计算公式：NDVI=（NIR-R）/（NIR+R）,其中：NIR和R分别表示为近红外波段反射率值与红波段的反射率值。该公式可以减少云层、日照角度和地形的影响，对绿色植被非常敏感。NDVI的数值变化可以直接反映植被覆盖的变化程度。2.3植被覆盖度植被覆盖度是指植被垂直投射面积占整个统计区域面积的百分比。它是定量的植被数据，能够反映研究区的植被变化REF_Ref30834\r\h[2]。植被是探究水文、气象、环境问题的好指标，反映了研究区植被的变化。此外，应当包括土地种植的垂直投影面积，反映了研究区域内环境变化的总体情况。植被覆盖度的测量方法包括地表测量和遥感监测，分为目测法、抽样法、测量法、遥感法等。在对植被进行调查后，对整个标本区域的植被进行了评价。与长距离测量相比，进行高精度的现场测量是优点。缺点是测量的尺寸小、主观、工作中大的困难和难以广泛传达。2.4湿度空气湿度是指空气中的水蒸汽量和空气的干燥度或湿度。在一定的温度下，一定体积的空气中有大量的蒸汽，表示空气干燥。蒸汽越高，湿度越高，空气的湿度和脱水程度就叫做湿度。润湿蒸汽的蒸汽重量表示蒸汽总重量（体积）的比例。人体的相对湿度在70%以下。3.研究区域与方法3.1研究区域海南五指山市位于五指山山腹地[3]，属于热带山区气候，冬天无寒冷天，夏天无炎暑天，春回大地，一年中的平均温度为22.4摄氏度。我国降水量大，光线充足。地势由东向西，平均高度316米。山区以山地、丘陵区和低地盆地为主，分别占91%、6%和3%。山峰林立，海拔1000米以上有44座山，水源、水系众多，河流120多条，森林资源丰富，热带雨林众多。兰州新区在兰州、新宁、银川中部，位于永登县与皋兰县之间。大陆气候寒冷，风沙肆虐；年平均气温6.9摄氏度，早上和晚上的温度相差比较大；年平均降水量300mm至350mm之间；年平均蒸发了1880mm。低含量的有机物质容易导致土壤侵蚀。低生物量、低的植被覆盖率和地形沟壑的自然特征增加了该地区生态结构的脆弱性。在研究区域生态绿化建设的不断成长中，兰州新区森林覆盖率和绿化率分别达到13.54%和11.7%，一些地区的环境质量得到了明显改善[4]。3.2研究方法3.2.1植被覆盖度遥感估算模型[5]像元分解模型的理论是，像元由图像的多个部分构成，任何部分信息都是从遥感器中观察到的。通过对像元和像元模型进行分解压缩，能够布局遥感信息（波段或植被指数）。基于二元像元模型，如果一个像素的信息可以由土壤和植被构成，则传感器所观察到的信息如下：S=fc×Sveg＋(1－fc)×植被覆盖度的计算公式由式（1）导出:fc=S−3.2.2植被指数(NDVI)法估算植被覆盖度[6归一化植被指数是指两个比值，分别是近红外光谱与R值之差与可见光波段与R值之和的比值。公式如下:NDVI=NIR−RNIR+R由像元二分模型可知，一个像元的NDVI值可以表示为两部分：绿色植被和非植被覆盖。归一化植被指数可代入式(2):fc=NDVI−其中NDVIsoil为非植被像元的NDVI值，纯植被像元的NDVI值为NDVI对于大多数类型的暴露表面，理论上它们的NDVIsoil值应该是接近于零，通常在-0.1到0.2之间。NDVIveg的值可以随时间或者空间的推移而发生变化。于是，在我们计算植被覆盖度时，不可能固定和在同样的场景中。在实际应用中，在没有测量数据的情况下，假设NDVImax和NDVImin的取值是理想图像中固定置信度的置信区间中的最高值和最低值，NDVIsoil值作为图像中曝光的NDVImin，数据选取及预处理4.1湿度数据的获取本文所涉及到的湿度数据均是从统计年鉴分享平台（）中获取的。从上图中我们可以看出，2008、2013和2017年这三年中，无论是哪一年的哪一个月份，海南的平均相对湿度均比兰州高，年平均亦是如此。而且，这三年的年平均数据中，兰州的年平均湿度数据都在50至60之间，这个数据是有点低了的。相比较下，海南的年平均数据差不多都在80左右。4.2遥感数据的选取兰州新区的遥感数据来自于地理空间数据云（）[3]。为了确保各个时期图像的可比性，有助于提取地表植被，本文选择了两个1T级的LandsatOLI_TIRS影像图，本研究使用的图像数和行数分别是131、35,2013年8月8日和2017年8月3日是它们的成像时间。图中的云分别为0.86%和6.33%，清晰度均高。在利用遥感数据进行植被监测时，TM遥感数据比较适合于区域和景观植被的测量。因而，利用30m分辨率的遥感影像来评估五指山市的植被。为了充分理解总研究区植被变化的动态和数据的限制，本文选择了2008年的遥感数据。4.3数据的预处理及计算4.3.1兰州新区数据的预处理在兰州新区，对两个时期的遥感数据采用ENVI5.3软件进行了归一化处理，接着对每个周期的影像波段进行了大气校正，进而得到可靠的地表反射率。然后，对于低分辨率多光谱图像和高分辨率全色图像，采用NNDiffuse

Pan

Sharpening融合方法进行重新采样，得到图像是高分辨率多光谱的。鉴于矢量边界的研究区数据不足，利用ARCGIS10.2软件绘制"兰州新区.shp"文件，对研究区的shp文件，以及校正的多光谱波段表面反射图像和热红外波段辐射图像进行裁剪。本文选取了植被绿度、土壤湿度和地表热度及干度为指标，构建了生态质量综合指数。针对水体的特殊性，采用MNDWI水体指数对水体进行掩膜，以避免研究区内部分水域对主成分分析载荷分布的影响。另外，本研究还需要对辐射传输方程进行反演地表热，但地表辐射率的获取涉及到NDVI的估计。为此，通过遥感反演得到归一化差分水分指数和NDVI归一化植被指数。以下是计算公式:改进归一化差异水体指数（MNDWI）:MNDWI=(ρGreen−ρ式中ρGreen、ρSWIRI分别为归一化植被指数（NDVI）:NDVI=(ρNIR−ρ其中ρNIR和ρRed分别是它们近红外和可见红光波段的反射对于海南五指山而言，依据像元二分法遥感估算模型原理，推算了五指山市2008年的植被覆盖度。具体步骤如下：1）根据五指山遥感影像的阶段，推算出2008年的NDVI值；2）根据土地利用图和土壤类型图绘制NDVI地图，为各自的土地利用类型和土壤类型提取NDVI值；3)分析了各单元NDVI值的计算值。根据累积频率表，选取0.5%NDVI单元和99.5%NDVI；4）将上述值（NDVIsoil，NDVIveg）代入公式（4）中，计算区域植被盖度。5.结果分析5.1兰州新区植被覆盖度分析植被覆盖度不仅是该地区植被生长的直接反映，而且在监测环境变化中起着重要作用。对研究区两个时期的植被覆盖度进行计算解析，以明确不同时期植被覆盖度的区别。2013年和2017年植被覆盖率统计见表1。由表1可知，2013年和2017年的最低和最高土地覆盖度分别为0和1。进一步对比两个时期的平均植被覆盖度和标准植被覆盖度，2017年植被覆盖度减少0.0621，减少率21.0152%，内部离散度增加0.01，上升率为3.8640%。这说明研究区植被脆弱性增加，植被覆盖面积区别扩大，在很大程度上感染生态系统的稳定性，生态环境质量恶化。根据土地覆盖基本数据的统计特征，按照一定的分类标准将土地覆盖划分为五个档次。分析了研究区不同时期的植被覆盖特征。表2显示了两个阶段植被覆盖面积和百分比的统计表。 起初，表2给出了研究区两种植被覆盖度水平的数目特征。如表2所示：2013年，植被覆盖度较低或低于64.6047%，平均植被覆盖率为22.8323%，植被覆盖度高达12.5630%以上；2017年，植被覆盖度低或低于75.54%，平均植被覆盖度是12.91%，植被覆盖度高或高于11.53%。结果表明，近年来研究区域的植被盖度有所下降，尤其是在中等植被覆盖度向低植被覆盖度过渡的过程中。5.2海南五指山计算结果分析由上述计算过程，得到了五指山市植被覆盖图像（图1）。我们可以看到，图中2008年五指山市下方颜色比上方深，说明了在2008年这一年里，五指山市南边植被覆盖程度比北边好。并且，将五指山植被覆盖度划分为：0%-20%（极低）、20%-40%（低）、40%-60%（中）、60%-80%（高度）和80%-100%（极高）这五个等级，从而获得了五指山植被分类图。计算每个区域的面积和百分比（表3）。根据表3对五指山市植被覆盖度估算结果的统计分析，可见，2008年五指山市高植被覆盖度和极高植被覆盖度所占百分比是比较大的，分别占有33.04%和54.87%。而1.34%和2.06%分别是极低植被覆盖度和低植被覆盖度的占有率。说明了在2008年这一年中五指山市的整体植被覆盖程度都是比较好的。造成该地区植被覆盖变化的原因主要是20世纪末以前山体不多，加上人们的生产生活习惯差，以及当地人滥砍滥烧的现象，植被相对较小。上世纪90年代，海南省开始砍伐天然林。上世纪90年代末，森林成为生态省建设的主体和中心，政府也形成了对森林的控制权。直到2005年，各级政府和人民提高认识，采取一系列措施恢复和保护森林资源，包括保护山林、植树造林和森林恢复。2008年围绕生态城市建设目标，五指城市继续加强重点建设，如查封、保护天然林、退耕还林等。加强森林资源保护和开发，促进森林事业快速发展。通过这些措施，该地区的植被覆盖率正在上升。6.结果比较本文主要选取了兰州和海南2008、2013和2017年的年平均相对湿度数据，以及2008年海南植被覆盖度数据、2013和2017年兰州植被覆盖度数据。按照一定的分类标准，将植被覆盖划分为以下五个层次，下面我们将对这些数据进行分析。由图2和图3我们可以观察到，2008全年海南的平均相对湿度差不多在75左右，与图3的植被覆盖度相联系，2008年海南的植被覆盖度无论是五个等级中的哪个等级，植被覆盖度均在1500以上。反观2013和2017年兰州的平均相对湿度和植被覆盖度而言，2013和2017年兰州的年平均相对湿度分别是53和57，而且从图3可以看出，无植被覆盖、低植被覆盖和中等植被覆盖的植被覆盖面积均为3位数。在植被覆盖度中，高植被覆盖度和全植被覆盖度为2位数。从图3可以看出，海南2008年植被的最大值、最