基于MODIS数据的陕西省植被净初级生产力与实际蒸散的
陕西省NDVI影像制作及其应用研究

论文题目:陕西省NDVI影像制作及其应用研究摘要在遥感影像处理中,植被指数提取广泛应用于定性和定量评价植被覆盖及其生长活力。
植被指数有助于增强遥感影像的解译力,并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面。
基于MODIS数据提取NDVI 指数是目前最常见的一种植被指数提取方法。
本文介绍了使用ENVI遥感图像处理软件对MODSI数据进行NDVI植被指数提取,对植被指数提取的关键部分进行分析,并给出植被指数提取的技术流程。
利用MODIS数据研究植被指数的时空变化特征,可以较详细地反映不同类型植被在其生长周期内的长势情况,以及各类植被生长状况在空间上的过渡和差异性。
在同一季节,由于地表的非均匀性,NDVI值的分布表现出差异特征。
不同植被类型的NDVI季节变化差别显著,有着明显的可分性,这种NDVI时间序列如实地刻画了各种类型植被的生长规律,并能区分它们在生长规律上的细微差别。
本文的主要思想:MODIS数据是一种最常用的提取植被指数的数据。
在提取过程中,以全国2003年MODIS影像数据为基础,使用ENVI软件提取陕西省整个行政区域的归一化植被指数NDVI,并最终制作陕西省2003年整个行政区域动态植被变化图以及分析陕西省2003年植被生成情况。
关键字:ENVI;归一化植被指数NDVI; MODIS;遥感;陕西植被ABSTRACTIn remote sensing image processing, vegetation index extraction is widely applied in qualitative and quantitative evaluation of vegetation and its growth vitality. Vegetation index helps to enhance remote sensing image interpretation, and as a means of remote sensing has been widely applied to land use covering vegetation cover density detection and identification and evaluation, crop forecast, etc. Based on the index NDVI extraction composed multi-temporal MODIS images are the most common plant was index extraction method. Article introduces the use of remote sensing image processing software ENVI MODSI vegetation index NDVI data extraction of vegetation index, a key part of the extraction and analysis, extraction technology process of vegetation index.Use composed multi-temporal MODIS images of vegetation index study the spatial and temporal variation characteristics, can reflect the different types of detail in the growth cycle of vegetation, and the growing of vegetation growth in space transition and difference. In the same season, the inhomogeneity of the surface, the distribution of NDVI values shows differences. Different vegetation’s types of NDVI seasonal changes have aobvious difference, separability, this time sequence faithfully NDVI portrays the growth of vegetation types, and can distinguish the growing regularity nicety.The main thought: That composed multi-temporal MODIS images is one of the most common extract vegetation index data. In the process of extracting the MODIS 2003, based on the data, using image ENVI software throughout the administrative region of shaanxi province extraction vegetation index NDVI, and finally made the administrative region of shaanxi province in 2003 and the analysis of dynamic vegetation variation of shaanxi province in 2003, vegetation generation.Key words: ENVI; NDVI; MODIS; Remote Sensing; Shaanxi Vegetation Thesis :Application目录1 绪论 (1)1.1 引言 (1)1.2 技术背景及研究意义 (2)1.2.1 技术背景 (2)1.2.2 研究意义 (2)1.2.3 研究区域介绍 (3)1.3 国内外研究现状 (4)1.4 本文使用的软件介绍 (5)1.5 本文的主要研究内容和组织结构 (9)1.5.1 本文的主要研究内容 (9)1.5.2 本文的组织结构 (10)1.6 小结 (11)2 利用MODIS数据制作NDVI影像 (12)2.1 MODIS数据 (12)2.1.1 MODIS数据的概念 (12)2.1.2 MODIS数据来源 (14)2.1.2.1 获取数据途径 (14)2.1.2.2 本文数据来源 (14)2.2 生成NDVI影像 (15)2.2.1 NDVI植被指数的概念 (15)2.2.2 生成NDVI图像具体方法 (16)2.2.2.1 数据准备 (16)2.2.2.2 数据裁剪 (17)2.2.2.3 NDVI计算 (20)2.3 小结 (24)3 用NDVI图像生成彩色植被图 (25)3.1 生成模拟真彩色图像的意义 (25)3.2 NDVI生成模拟真彩色植被图像的原理 (25)3.3 NDVI图像生成模拟真彩色植被图的具体方法步骤 (25)3.4 小结 (27)4 陕西省2003年NDVI空间、时态特征分析 (28)4.1 制作2003年陕西植被动态图 (28)4.1.1 制作动态植被图的软件选择 (28)4.1.2 制作动态植被图的具体步骤 (29)4.2 分析陕西2003年植被信息 (31)4.2.1 分析植被信息的依据 (31)4.2.2 分析陕西2003年植被情况 (31)4.2.2.1 陕西2003年植被在空间及时间上分布情况 (31)4.2.2.2 陕西2003年不同地类NDVI值变化情况 (34)4.3 小结 (38)5 结论 (39)5.1 本论文主要完成的工作 (39)5.2 展望 (39)致谢 (41)参考文献 (42)附录 ............................ 错误!未定义书签。
基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析

基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析何慧娟;王钊;董金芳;王娟【摘要】秦岭是我国自然环境的天然分界区,是我国中部重要的生态屏障,也是南水北调重要的水源涵养区.为了更好地服务于生态环境建设,选取MODIS植被指数NDVI、地表温度及地表蒸散数据产品,针对秦岭地区生态环境建设以来2001-2013年植被及水热条件发生的变化以及空间分布规律进行分析.结果表明,从区域平均情况来看,只有NDVI有显著升高的变化趋势,耕地区NDVI变化趋势大于林草区域.林草区NDVI、蒸散平均值高于耕地区,而地表温度在耕地区高于林草区.从各像元的空间分布图来看,NDVI、地表温度和蒸散的空间分布都有明显的山体脉络.NDVI随高度的增加而增大,2 000 m左右开始略微下降.地表温度随高度的升高呈极显著的线性下降趋势,海拔每升高100 m温度下降0.51℃.蒸散随海拔高度先是增高,在海拔800~1 800m变化趋于平缓,随后随海拔的升高而降低.NDVI、地表温度和蒸散都在低海拔地区变化明显.2001-2013年秦岭地区NDVI呈显著增加趋势,与陕西开展的生态环境建设工程密不可分.在全球增温的背景下,地表温度没有明显变化,与植被的调节作用有一定关系.蒸散的增加趋势与NDVI的上升引起蒸腾作用加大有关,而蒸散的减小趋势与太阳辐射的减小有关.【期刊名称】《西北林学院学报》【年(卷),期】2019(034)004【总页数】7页(P179-184,191)【关键词】MODIS;秦岭;海拔高度;NDVI;地表温度;地表蒸散【作者】何慧娟;王钊;董金芳;王娟【作者单位】陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014;陕西省农业遥感与经济作物气象服务中心,陕西西安710014【正文语种】中文【中图分类】S771.8秦岭横亘于我国中部,是我国南北地质、气候、生物、水系、土壤等五大自然地理要素的天然分界线,是我国中部最重要的生态安全屏障,是南水北调中线工程的重要水源涵养区[1]。
基于MODIS产品的秦岭地区NDVI、地表温度和蒸散变化关系分析

180
西北林学院学报
34卷
started to increase below 800 m and later flattened at 800一1 800 m?and then decreased in the end. NDVI? LST and ET changed obviously in low altitude. From 2001 to 2013 ? the improvement of NDVI in the Qining Moun(ainsareawas(hein(erac(iveefec(ofimplemen(a(ionofaseriesofecologicalcons(ruc(ionproec(ssuchasclosinghilforfores(a(ionandres(oringfarmlandin(ofores(landandgrassland.Under(he backgroundofglobalwarming noobviouschangeinLST indica(ingacer(aincorrela(ion wi(h(heregula(ionfunc(ionofvege(a(ion.Theincrease(rendofETcausedby(heimprovemen(ofNDVIand(hedecrease (rendofET was associa(ed wi(h(he decrease of solar radia(ion. Key words: MODIS; the Qinling Mountains; altitude $ NDVI$ LST $ ET
Abstract:The Qinling Mountains is not only the natural boundary of southern and northern China,but also sasignificantecologicalbarrierinthemiddleofChina ,andanimportantwatersourceconservationareaof South-to-North WaterTransferProjectInordertoservetheecologicalenvironmentconstructionwithscientific and accurate information, NDVI (normailized difference vegetation index) , LST (land surface tempera(ure) andET evapo(ranspiraion) ofMODISda(ase(swereused(oanalyze(hespaio(emporalvaria(ionlawsandchangerelaionsofvege(a(ioncoverandhydro(hermalcondiionaf(erdevelopingecological environmen(cons(ruc(ionin(he Qinling Moun(ainsarea 2001—2013). I(was found(ha(general y,only NDVIpresen(edex(remelysignifican(increasing(rendinvola(ili(y,andinfarmlandi(wasmoresignifican( (haninfores(-grassland.NDVIandETinfores(-grasslandwerehigher(haninfarmland ,bu(LSTinfarmand was higher(han in fores(-grassland. From (hepoin(of(hespa(ialdis(ribu(ion,spa(ialvaria(ionsof NDVI,LSTandETpresen(edmoun(ainousfea(ures.NDVIincreasedwi(h(heincreaseofal(i(ude,began(o declinesligh(lya(abou(2000m.LSTpresen(edex(remelysignifican(lineardownward(rendwi(hali(ude. Inaddi(ion,LSTdropped0.51C asal(i(udeincreasedforevery100 m.Wi(h(heincreaseofali(ude,ET
基于MODIS_NDVI的陕北地区植被动态监测与评价_宋富强

生态学报2011,31(2):0354—0363A c t a E c o l o g i c a S i n i c a基于M O D I S/N D V I的陕北地区植被动态监测与评价宋富强1,2,3,邢开雄1,2,3,刘 阳1,2,3,刘志超4,康慕谊1,2,3,*(1.北京师范大学地表过程与资源生态国家重点实验室,北京 100875;2.北京师范大学中国生态资产评估研究中心,北京 100875;3.北京师范大学资源学院,北京 100875;4.延安市气象局,陕西延安 716000)摘要:陕北地区从1999年退耕还林试点工程实施以来,区域植被发生很大变化,退耕前后植被动态变化监测成为退耕还林工程评价任务之一,而当前植被恢复监测评价的难点在于如何确定哪些是由于退耕而引起的植被变化。
针对此问题,选取适合陕北地区植被变化监测的M O D I S/N D V I数据,利用均值变化及趋势分析方法,从不同土地利用/覆被类型和不同坡度植被指数动态变化两方面分析退耕还林对植被动态变化的影响。
结论如下:(1)陕北地区平均N D V I从2000—2008年呈现较明显的增长趋势,坡耕地和草地N D V I增长速度相对较快;(2)趋势分析结果显示,陕北绝大部分地区植被恢复良好,植被指数呈明显改善的面积占整个地区面积的64.96%,中度改善占18.58%,其中又以坡耕地、草地植被明显改善面积分别占陕北地区明显改善面积的45.43%和17.10%,坡耕地对陕北地区植被明显改善面积贡献最大;(3)7-15°、15-25°及25-35°坡度植被明显改善面积分别占总改善面积的39.91%、25.81%、2.28%,其中7-25°坡度植被明显改善面积占总面积的65.72%;(4)基于陕北地区近年气候呈暖干化发展趋势,同期降雨并未呈现显著变化,说明非气候因子中退耕还林等人为因素是引起N D V I增长的主要因素,退耕还林对于陕北地区植被恢复有明显促进作用。
基于MODIS-NDVI的陕西省植被覆盖变化特征

基于MODIS-NDVI的陕西省植被覆盖变化特征作者:陈科皓来源:《农学学报》 2018年第8期摘要:为实现人地关系协调发展,为陕西省生态建设政策的制定和实施提供理论依据,本研究基于MODIS-NDVI 影像及高程数据,采用MVC、一元线性回归等方法,分析陕西省2011—2015 年NDVI 的时空变化特征。
结果表明:(1)陕西省NDVI值呈现“南高北低”的分布特征,陕南地区及陕北南部森林植被茂密,植被覆盖情况较好,陕北北部属于风沙区,植被覆盖情况较差,关中地区以农作物为主,植被覆盖情况居中;(2)2011—2015 年陕西省NDVI值呈波动变化,整体变化趋于稳定,且有好转趋势,主要分布在关中及陕南地区;陕北地区NDVI值有退化迹象;(3)随着海拔高度的增加,NDVI值呈“降低—升高—降低”的变化,2000~2500 m海拔高度范围内的NDVI值最高,植被覆盖情况较好,主要是分布在秦岭山脉的太白山地区。
关键词:MODIS-NDVI;陕西省;植被覆盖中图分类号:S718.57,TP79 文献标志码:A 论文编号:cjas170900210 引言植被是陆地生态系统的重要组成部分,将大气圈、土壤圈和水圈紧密地联系在一起[1]。
作为研究全球变化的“指示器”,在全球能量交换、生物地球化学和水文循环方面起着重要的作用[2],能直接反映生态环境的总体状况,因此监测植被覆盖动态变化具有重要的科学意义和现实价值。
归一化植被指数(Normal DifferenceVegetation Index, NDVI)能够有效识别植被变化信息,是目前使用最为广泛的植被指数之一[3],它与植被覆盖度、生物量、叶面积指数、土地利用等密切相关[4]。
近年来,植被覆盖状况是国内外研究的热点之一。
国外研究学者基于NDVI 数据,对植被覆盖变化做了大量研究工作,很好地揭示了研究区植被覆盖时空变化规律,以及季节、气候(气温、降水量、地表水等)等因子对NDVI 的影响[5-7];国内学者利用不同时空尺度的不同精度范围的NDVI 数据,对植被覆盖的时空变化进行了大量研究[8-10]。
基于MODIS的中国草地NPP综合估算模型_孙成明_孙政国_刘涛_王力坚_陈瑛瑛

Abstract: Grassland ecosystem is one of the most widely distributed types in the terrestrial ecosystems. Estimating carbon storage in grassland ecosystem has been a central focus of global change researches. In order to estimate the grassland net primary productivity (NPP) quickly and reliably, based on the field survey data and the remote sensing image data of the same period, the comprehensive estimation model of grassland NPP in China was developed by using normalized difference vegetation index (NDVI) and climate data. According to the basic principles of grassland genetic and the relationship between the single factor and the NPP, through statistical analysis, the model structural factors were put forward, and then integrated together. The comprehensive model included two sub models of leaf area index (LAI) and photosynthetic accumulation (PA), and it was NPP= LAIPA.
基于改进CASA模型的陕西省植被NPP遥感估算

第31卷第3期2024年6月水土保持研究R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o nV o l .31,N o .3J u n .,2024收稿日期:2023-07-19 修回日期:2023-08-15资助项目:陕西省重点研发项目(2022Z D L S F 07-05);中央高校基本科研业务费项目(300102352901);中央高校基本科研业务费资助项目(300102352203) 第一作者:赵雪瑞(1999 ),女,甘肃陇南人,硕士研究生,研究方向为生态系统碳收支估算㊂E -m a i l :z x r 132********@163.c o m 通信作者:韩玲(1964 ),女,辽宁沈阳人,博士,教授,主要从事遥感信息提取㊁资源环境遥感和遥感影像智能识别研究㊂E -m a i l :h a n l i n g @c hd .e d u .c nh t t p :ʊs t b c y j .p a p e r o n c e .o r gD O I :10.13869/j.c n k i .r s w c .2024.03.024.赵雪瑞,韩玲,刘明,等.基于改进C A S A 模型的陕西省植被N P P 遥感估算[J ].水土保持研究,2024,31(3):247-256.Z h a oX u e r u i ,H a nL i n g ,L i uM i n g ,e t a l .R e m o t e S e n s i n g E s t i m a t i o n o fV e g e t a t i o nN P P i nS h a a n x i P r o v i n c e B a s e d o n I m p r o v e dC A S A M o d e l [J ].R e s e a r c ho f S o i l a n d W a t e rC o n s e r v a t i o n ,2024,31(3):247-256.基于改进C A S A 模型的陕西省植被N P P 遥感估算赵雪瑞1,韩玲2,3,4,刘明2,4,宋敏琪1(1.长安大学地质工程与测绘学院,西安710054;2.长安大学土地工程学院,西安710054;3.陕西省土地整治重点实验室,西安710054;4.西安市国土空间信息重点实验室,西安710054)摘 要:[目的]探究陕西省陆地生态系统植被群落生产状况,分析陕西省植被N P P 时空格局变化及影响因素,为准确评估陕西省陆地生态系统碳源/汇,实现区域生态可持续发展,达成碳中和目标提供参考依据㊂[方法]基于温度 植被干旱指数(T e m p e r a t u r eV e g e t a t i o nD r y n e s s I n d e x ,T V D I )对C A S A (C a r n e g i e -A m e s -S t a n f o r d A p p r o a c h )模型水分胁迫因子进行改进,从而估算陕西省2010 2020年植被N P P ,并利用热点分析法㊁趋势分析法以及地理探测器对陕西省植被N P P 进行空间分布格局㊁年际变化趋势和驱动因子研究㊂[结果](1)陕西省N P P 空间分布呈现南高北低㊁冷热点区域差异明显的特征;(2)陕西省2010 2020年N P P 平均值介于331.02~416.34g C /(m 2㊃a ),N P P 均值在100~600g C /(m 2㊃a )占比最大,最低值和最高值区间占比不足20%;(3)全省2010 2020年83.3%的面积植被N P P 值无显著变化,4.2%的面积呈增加状态,12.5%的面积N P P 值呈下降趋势;(4)降水是陕西省植被N P P 变化的单因子主导驱动力,太阳辐射量及土地利用类型交互作用下对N P P 变化解释力更强㊂[结论]基于T V D I 改进的C A S A 模型能够有效量化区域植被N P P ,且陕西省植被N P P 南北分布差异明显,降水㊁土地利用类型及太阳辐射量是其主要影响因子㊂关键词:净初级生产力;C A S A 模型;T V D I;陕西省中图分类号:Q 948;P 966.1;T P 79 文献标识码:A 文章编号:1005-3409(2024)03-0247-10R e m o t e S e n s i n g E s t i m a t i o no fV e ge t a t i o nN P P i nS h a a n x i P r o v i n c e B a s e do n I m pr o v e dC A S A M o d e l Z h a oX u e r u i 1,H a nL i n g 2,3,4,L i u M i n g 2,4,S o n g M i n qi 1(1.C o l l e g e o f G e o l o g i c a lE n g i n e e r i n g a n dG e o m a t i c s ,C h a n g 'a nU n i v e r s i t y ,X i 'a n 710054,C h i n a ;2.C o l l e g e o f L a n dE n g i n e e r i n g ,C h a n g 'a nU n i v e r s i t y ,X i 'a n 710054,C h i n a ;3.S h a a n x iP r o v i n c i a lK e y L a b o r a t o r y o fL a n dR e m e d i a t i o n ,X i 'a n 710054,C h i n a ;4.X i 'a nK e y L a b o r a t o r y o f L a n dS p a t i a l I n fo r m a t i o n ,X i 'a n 710054,C h i n a )A b s t r a c t :[O b j e c t i v e ]T h e a i m s o ft h i s s t u d y a r et oi n v e s t i g a t et h e p r o d u c t i o n s t a t u s o f v e ge t a t i o n c o mm u n i t i e s i n S h a a n x iP r o v i n c et e r r e s t r i a le c o s y s t e m s ,t oa n a l y z et h ec h a n g e si ns p a t i a la n dt e m p o r a l p a t t e r n s of v eg e t a t i o n N P Pa n dth e f a c t o r sa f f e c ti n g t h e m ,a n dt o p r o v i d ear e f e r e n c eb a s i s f o ra c c u r a t e l ya s s e s s i n g t h e c a rb o n s o u rc e s /s i n k s o f t h e t e r r e s t r i a l e c o s y s t e m s i nS h a a n x i P r o v i n c e ,r e a l i z i n g t h e s u s t a i n a b l ede v e l o p m e n t of t h e r eg i o n 'se c o l o g y ,a n dr e a chi n g t h e g o a l o f c a r b o nn e u t r a l i t y .[M e t h o d s ]B a s e do nt h e C A S A (C a r n e g i e -A m e s -S t a n f o r d A p p r o a c h )m o d e l w a t e r s t r e s sf a c t o ri m p r o v e d b y t h e T e m pe r a t u r e V e g e t a t i o nD r y n e s s I n d e x (T V D I ),t h e i m p r o v e dC A S A m o d e lw a su s e d t oe s t i m a t e t h ev e ge t a t i o nN P P i n S h a a n x i P r o v i n c ef r o m2010t o 2020,a n d t h e n t h e s p a t i a l d i s t r i b u t i o n p a t t e r n ,i n t e r -a n n u a l c h a n ge t r e n d a n dd r i v i n g f a c t o r s we r ea n a l y z e db y h o t s p o ta n a l y s i s,t r e n da n a l y s i s,a n d G e o D e t e c t o r.[R e s u l t s](1)T h e s p a t i a l d i s t r i b u t i o no fN P P i nS h a a n x i P r o v i n c e s h o w e d t h e c h a r a c t e r i s t i c s of h igh l e v e li n t h e s o u t ha n d l o w l e v e l i nt h en o r t h,w i t ho b v i o u sd i f f e r e n c e s i nc o l da n dh o ts p o ta r e a s.(2)T h ea v e r a g ev a l u eo fN P Pi n S h a a n x i P r o v i n c e f r o m2010t o2020r a n g e d f r o m331.02t o416.34g C/(m2㊃a),w i t h t h e l a r g e s t p r o p o r t i o n o f a v e r a g eN P Pv a l u e s b e t w e e n100a n d600g C/(m2㊃a),a n d l e s s t h a n20p e r c e n t o f t h e l o w e s t a n dh i g h e s t v a l u e i n t e r v a l s.(3)83.3p e r c e n to f t h e p r o v i n c e'sa r e ah a dn os i g n i f i c a n t c h a n g e i nv e g e t a t i o n N P Pv a l u e s f r o m2010t o2020,4.2p e r c e n ts h o w e da ni n c r e a s e,a n d12.5p e r c e n ts h o w e dad e c r e a s i n g t r e n di n N P P v a l u e s.(4)P r e c i p i t a t i o n w a st h es i n g l ef a c t o r d o m i n a n td r i v e r o fv e g e t a t i o n N P P c h a n g ei n S h a a n x i P r o v i n c e,w i t h s o l a r r a d i a t i o n a n d l a n d u s e t y p ei n t e r a c t i n g t o e x p l a i n N P P c h a n g e m o r e s t r o n g l y.[C o n c l u s i o n]T h eC A S A m o d e l i m p r o v e db y T V D I c a n e f f e c t i v e l y q u a n t i f y t h e r e g i o n a l v e g e t a t i o nN P P,a n d t h e r e a r eo b v i o u sd i f f e r e n c e si nt h ed i s t r i b u t i o no fv e g e t a t i o n N P P b e t w e e nn o r t ha n ds o u t hi n S h a a n x i P r o v i n c e,w i t h p r e c i p i t a t i o n,l a n du s e t y p e a n d s o l a r r a d i a t i o na s t h em a i n i n f l u e n c i n g f a c t o r s.K e y w o r d s:n e t p r i m a r yp r o d u c t i v i t y;C A S A M o d e l;T V D I;S h a a n x i P r o v i n c e陆地生态系统能够将大气中的自由碳转化为有机化合物,是全球碳循环系统中至关重要的一个环节,它不仅提供了人类赖以生存的基础,而且承载着全球最多㊁最剧烈的气候变化[1]㊂植被是生态系统的关键组成部分,对维持生态平衡和促进陆地生态系统碳循环具有重要作用,植被净初级生产力(N P P)是绿色植被在单位时间和单位面积内通过光合作用所固定的有机物的总量,是植被扣除自身呼吸作用消耗后的有机碳的剩余部分[2]㊂N P P是生态系统稳定和平衡的基本指标,能够反映植被群落的生产状况,在全球和区域碳循环中发挥着重要作用㊂常见的N P P估算方法主要包括实地测量法和模型估算法㊂实地测量法依靠实测站点N P P数据,具有较强的可靠性,但实测法只能在一定范围内对植被N P P进行测算,有一定的区域限制[3]㊂模型估算法主要分为生理生态过程模型㊁气候生产力模型和光能利用率模型[4]㊂生理生态过程模型基于气象㊁土壤数据以及植被的生理生态参数来估算植被N P P,模型过程复杂且参数较多;气候生产力模型又称为统计模型,通过建立气候因子(降水㊁温度㊁蒸散量等)与植被干物质的相关性来估算植被N P P;随着遥感和G I S 技术的不断发展,出现了以C A S A模型㊁G L O-P E M 模型和V P M模型为代表的光能利用率模型,这类模型以遥感数据为基础,实现了对于不同尺度㊁不同区域的N P P估算[4-5]㊂在众多N P P遥感估算模型中,C A S A模型凭借其结构简单㊁输入数据较少且易于获取等优势,已在区域㊁全球尺度的N P P估算及碳循环研究中得到广泛应用㊂M o n t e i t h发现了植被N P P与植被所吸收的光合有效辐射(A P A R)之间的线性关系[6],基于此,1993年P o t t e r[7]正式提出基于光合有效辐射和实际光能利用率建立的C A S A模型㊂此后,众多学者利用C A S A模型来估算区域或全球植被N P P,且对模型的各项参数进行优化,X i a o等[8]根据不同植被类型确定的最大光能利用率估算了黄河流域2001 2020年植被N P P㊂对于模型输入中N D V I数据在植被覆盖度较高地区容易出现饱和问题等现象, F a n g等人利用哨兵影像红边波段对其进行改进,估算了石津灌地区地上生物量,在一定程度上提高了C A S A模型估算精度[9]㊂在C A S A模型中,植被N P P由植被吸收的光合有效辐射和实际光能利用率估算得到,土壤水分㊁气温㊁太阳辐射量等环境因子通过影响植被的实际光能利用率大小而调节植被的N P P,植被只有在理想条件下对光能的利用率才能达到最大值,而实际情况中,环境中温度和水分是影响植被最大光能利用率的主要因素[10]㊂土壤水分是连接土壤㊁植被与大气之间的重要纽带,也是影响植被生长发育的最主要因素之一,温度 植被干旱指数(T V D I)能够反演土壤水分含量,表征区域地表的干湿程度,影响植被的实际光能利用率,进而对植被N P P产生影响[11-12]㊂原C A S A模型中水分胁迫因子主要由经验模型计算得到,未考虑区域地表植被类型差异,且地面站点插值数据带来的不确定性,对N P P 估算结果产生较大影响㊂因此,本文基于归一化差值植被指数N D V I(N o r m a l i z e dD i f f e r e n c eV e g e t a t i o nI n d e x)和陆地表面温度L S T(L a n dS u r f a c eT e m p e r-a t u r e)数据构建N D V I-L S T特征空间,得到陕西省像素尺度T V D I,改进原C A S A模型水分胁迫系数,以期提高C A S A模型估算精度,利用改进后C A S A 模型估算陕西省2010 2020年逐月1k m分辨率植被N P P值,分析其时空演变特征,并对陕西省植被N P P变化的驱动力进行探究㊂842水土保持研究第31卷1研究区概况陕西省(105ʎ29' 110ʎ15'E,31ʎ42' 39ʎ35'N)位于中国内陆腹地㊁黄河中游,东邻山西㊁河南,南抵四川㊁重庆㊁湖北,西连宁夏㊁甘肃,北接内蒙古,总面积20.56万k m2㊂陕西省总体呈现南北方向狭长地域分布,北山和秦岭将陕西省划分为:陕南秦巴山区㊁关中平原以及北部的黄土高原丘陵沟壑区和长城沿线风沙区4种特殊的地貌类型㊂陕西省处于湿润气候区向干旱气候区的过渡地带,地跨黄河㊁长江两大水系,年平均气温8~16ħ,年平均降雨量340~1240m m㊂全省纵跨3个气候带,南北气候差异特征明显,陕北北部及长城沿线属中温带季风气候㊁关中及陕北大部分地区属暖温带季风气候㊁陕南地区属北亚热带季风气候[13]㊂陕西省自然环境复杂㊁生态系统多样㊁植被资源丰富,自实施退耕还林㊁水土保持工程等系列生态建设工程以来,全省植被覆盖状况有明显改善,森林覆盖量高达46.4%㊂2研究数据与方法2.1数据来源及预处理2.1.1遥感数据遥感数据主要包括:N D V I数据㊁L S T数据㊁土地利用数据及M O D I SN P P数据,均由美国国家航空航天局(h t t p s:ʊs e a r c h.e a r t h d a t a.n a s a.g o v)提供㊂其中N D V I数据来源于M O D13A3月尺度数据集,其空间分辨率为1k m;L S T数据采用空间分辨率为1k m,8日合成的M O D11A2数据集;土地利用数据采用500m空间分辨率的M C D12Q1年度合成数据产品; M O D I SN P P数据为500m空间分辨率的M O D17A3 H G F年度数据集㊂对以上遥感数据在M R T(M O D I S R e p r o j e c t i o nT o o l s)批处理工具和A r c G I S软件中进行拼接㊁裁剪㊁重投影㊁重采样等预处理,得到W G S1984坐标系下,陕西省2010 2020年逐月1k m分辨率遥感数据集㊂2.1.2气象数据气象数据主要包括:月平均气温㊁月总降水量和太阳总辐射量数据㊂月总降水量和太阳总辐射量数据来源于E R A5-L a n d M o n t h l y A v e r-a g e d再分析数据集(h t t p s:ʊc d s.c l i m a t e.c o p e r n i c u s.e u),其空间分辨率为9k m;月平均气温数据来源于G P R C h i n aT e m p1k m(G a u s s i a nP r o c e s sR e g r e s s i o n C h i n aT e m p e r a t u r e1k m)月尺度数据集(h t t p s:ʊz e-n o d o.o r g)㊂对气象数据进行裁剪㊁重投影㊁重采样等预处理,使其坐标系㊁分辨率与遥感数据保持一致㊂2.1.3其他数据坡度数据提取自地理空间数据云(h t t p s:ʊw w w.g s c l o u d.c n)下载的A S T E R G D E M 30m分辨率数字高程数据;2010年㊁2015年㊁2020年三期的人口密度数据来源于中国科学院资源环境科学与数据中心(h t t p s:ʊw w w.r e s d c.c n)提供的中国人口空间分布k m网格数据集,由于网站未更新2020年人口密度数据,因此本文采用2019年人口密度数据代替㊂2.2研究方法2.2.1 C A S A模型 C A S A模型是基于植物的光合作用和光能利用率建立的一种 生态 遥感耦合模型 [1],其估算的N P P主要由植物所吸收的光合有效辐射(A P A R)和实际光能利用率(ε)组成[7],公式如下:N P P(x,t)=A P A R(x,t)ˑε(x,t)(1)式中:A P A R(x,t)表示像元吸收的光合有效辐射量 M J/(m2㊃m o n t h) ;ε(x,t)表示像元的实际光能利用率(g C/M J)[10]㊂(1)光合有效辐射吸收量估算㊂光合有效辐射是植被进行光合作用的主要驱动力,植被吸收的光合有效辐射主要由太阳总辐射量和植被冠层对入射光合有效辐射的吸收系数决定[10],其计算公式如下:A P A R(x,t)=S O L(x,t)ˑF P A R(x,t)ˑ0.5(2)式中:S O L(x,t)表示像元接收的总太阳辐射量(M J/ (m2㊃m o n t h));F P A R(x,t)为植被光合有效辐射吸收比例[10]㊂(2)光能利用率估算㊂植被的光能利用率是指在一定时间内,单位面积上生产的干物质中所包含的化学潜能与同一时间投射到该面积上的光合有效辐射能之比,只有在无任何限制的情况下,植被的光能利用率才能达到最大值,在现实条件下的最大光能利用率主要受到植被生长环境中温度和水分的影响[10],其计算公式如下:ε(x,t)=Tε1(x,t)ˑTε2(x,t)ˑWε(x,t)ˑεm a x(3)式中:Tε1(x,t)和Tε2(x,t)代表温度对植被光能利用率的限制作用;Wε(x,t)表示水分胁迫系数;εm a x表示理想条件下植被的最大光能利用率(g C/M J)[10]㊂2.2.2基于T V D I的改进C A S A模型 S a n d h o l t在研究N D V I-L S T的特征空间时,提出了一种基于N D V I 与L S T构建的温度 植被干旱指数(T V D I),来表征地表的湿润程度[14],其中,特征空间的上边界定义为干边,下边界定义为湿边,T V D I计算公式如下:T V D I=L S T-L S T m i nL S T m a x-L S T m i nL S T m a x=a d r y+b d r y N D V IL S T m i n=a w e t+b w e t N D V I(6)942第3期赵雪瑞等:基于改进C A S A模型的陕西省植被N P P遥感估算式中:L S T m a x 和L S T m i n 代表ND V I 值所对应的最高(干边)和最低(湿边)地表温度;a d r y ,a w e t 和b d r y ,b w e t 分别代表干边和湿边方程的拟合系数㊂C A S A 模型中的水分胁迫系数W ε(x ,t )由经验模型计算得到,且由于气象站点插值得到的数据在时空连续性上存在一定的局限性,本文利用基于遥感数据ND V I -L S T 构建的温度 植被干旱指数(T V D I )对原C A S A 模型中的水分胁迫系数进行校正,以期提高模型估算精度㊂2.2.3 分析方法(1)热点分析法㊂热点分析法是一种常见的局部空间聚集特征分析方法[15],通过统计学中Z 得分值,可以分析出研究区内冷热点空间分布,冷点(Z 值<0且越低,代表低值聚类愈紧密)为低值聚集区;热点(Z 值>0且越高,代表高值聚类愈紧密)为高值聚集区,计算公式如下:G *i =ðnj =1W i j X j -X ðnJ =1W i jSn ðnj =1W 2i j -(ðnj =1W i j )2n -1(7)式中:X 为均值;S 为标准差;n 为空间单元的数量;X j 为空间单元j 的属性值;W i j 为i 和j 间的空间权重㊂(2)趋势分析㊂趋势分析是基于最小二乘理论,描述变量随时间变化趋势的一种方法[16],计算公式如下:k =n ˑðn i =1(i ˑN P P i )-ðn i =1i ðni =1N P P in ˑðn i =1i 2-(ðni =1i )2(8)式中:n 为年份总数;i 为年序数;N P P i 为第i 年的N P P 值;趋势斜率k >0时,表示N P P 值呈增加趋势,反之代表N P P 值呈减少趋势,并利用F 检验法对其显著性水平进行检验㊂(3)地理探测器㊂地理探测器是检测空间分异性的一种方法[17],本文利用地理探测器对陕西省植被N P P 变化驱动力进行因子探测和交互作用探测㊂影响因子的解释力(q)值计算如下:q =1-ðLh =1N h σ2hN σ2=1-S S WS S T(9)式中:h =1,2, ,L 为变量Y 或因子X 的分层;N h和N 为层h 和全区单元数;σ2h 和σ2为层h 和全区Y值方差;S S W 和S S T 为层内方差之和和全区总方差,q 值范围为[0,1],q 值越高,说明该因素对N P P 的影响越大㊂交互探测能够量化两个因子间的交互效应,确定交互作用是否会增强或减弱对N P P 的贡献,或者因子间是否独立,交互作用探测结果分类如下:q (X 1)> q (X 1)+q (X 2) 非线性增强q (X 1)= q (X 1)+q (X 2) 相互独立q (X 1)>m a x [q (X 1),q (X 2)]双因子增强m i n [q (X 1),q (X 2)]<q (X 1)<m a x [q (X 1),q (X 2)]单因子非线性减弱q (X 1)<m i n [q (X 1),q (X 2)]非线性减弱3 结果与分析3.1 模型精度评价本文利用MO D 17A 3H G F 数据产品对改进前后C A S A 模型精度进行验证,该数据集采用MOD 17算法估算得到陆地生态系统年总N P P 值,已广泛应用于区域和全球N P P 估算研究中[18-19]㊂本文对2010 2020年陕西省基于T V D I 改进前后C A S A 模型估算的植被N P P 以及MO D I SN P P 数据进行随机抽样,验证其相关性,结果如图1所示㊂基于T V D I改进后的C A S A 模型估算精度有所提升,且模型估算得到的N P P 值与MO D I SN P P 数据产品的相关性较强,改进后R 2为0.78,相较改进前提升了0.02㊂图1 改进前后N P P 值与M O D 17A 3H G F -N P P 的比较F i g .1 C o m p a r i s o no fN P Pv a l u e sw i t h M O D 17A 3HG F -N P Pb e f o r e a n da f t e r i m pr o v e m e n t 052 水土保持研究 第31卷本文也与其他学者的相关研究进行了对比,如表1所示㊂石志华等基于C A S A模型,估算陕西省2003 2012年多年N P P均值为418.59g C/(m2㊃a)[20];李萌萌以C A S A模型为基础,模拟得到陕西省2000 2013年植被N P P年平均值为633.15g C/(m2㊃a)[21];本文利用改进后C A S A模型模拟得到的陕西省植被N P P多年均值为392.46g C/(m2㊃a),与石志华等[20]估算得到的陕西省N P P值(418.59g C/(m2㊃a))基本一致,并且处于其他各模型模拟结果 202.57~474.8g C/(m2㊃a) 范围内,因此本文模拟得到的陕西省N P P值具有较高的可靠性㊂表1本文模拟N P P值与其他研究的比较T a b l e1C o m p a r i s o no f s i m u l a t e dN P Pv a l u e s i n t h i s p a p e rw i t ho t h e r s t u d i e s数据/模型研究时间研究区域N P P均值/(g C㊃m-2㊃a-1)文献改进后C A S A模型2010 2020陕西省392.46本文C A S A模型2000 2014陕北风沙过渡带202.57倪向南等[22] C A S A模型2000,2010,2020陕西省黄河流域267.53Z h u等[23] MO D17A3H G F2000 2019黄河流域281.39王娟等[24] MO D17A32000 2015陕西省344王钊等[25] MO D17A3H G F2000 2019关中城市群474.8梁程等[26] C A S A模型2003 2012陕西省418.59石志华等[20]3.2N P P空间分布特征基于改进后C A S A模型得到陕西省2010 2020年植被N P P空间分布,受气候㊁植被㊁地形等多因素影响,陕西省植被N P P呈现出由陕南向陕北逐渐降低的分布格局,纬度地带性特征明显㊂陕西省多年N P P平均值介于9.2~768.75g C/(m2㊃a),如图2A所示㊂N P P 低值主要集中在陕北长城沿线风沙地区,N P P值介于9.2~309.76g C/(m2㊃a),该地区自然环境恶劣,植被覆盖度低,且多为荒漠㊁草地等植被类型;黄土丘陵沟壑区植被N P P值较高,介于72.35~579.31g C/(m2㊃a),少数N P P高值集中分布在延安市黄陵县㊁富县和黄龙县等南部周边区县;关中地区地势平坦㊁土壤肥沃,植被N P P值介于33.12~716.04g C/(m2㊃a),高值主要集中在关中北部和南部,而中部地区由于城市群密集导致N P P值较低;陕南秦巴地区雨热充沛,适宜植被生长,植被覆盖率较高,是陕西省N P P高值集中区域, N P P值介于111.95~768.75g C/(m2㊃a)㊂利用热点分析法,进一步对陕西省各区县2010 2020年植被N P P空间分布情况进行分析,冷热点区域如图2B所示㊂陕西省植被N P P分布主要有1个热点区域和2个冷点区域,热点区域主要集中在宝鸡市的凤县㊁太白县㊁汉中市的勉县㊁汉台区㊁城固县㊁留坝县㊁洋县㊁佛坪县和商洛市的镇安县,以及安康市的宁陕县㊁石泉县㊁汉滨区等各区县,该地区位于秦巴山区,植被类型较为丰富㊁森林覆盖度高,各区县植被N P P值均超过500g C/(m2㊃a)㊂陕北榆林市的榆阳区㊁吴堡县㊁横山区㊁佳县㊁子洲县㊁绥德县㊁米脂县㊁清涧县以及子长市为全省植被N P P的冷点区域之一,各区县植被N P P值普遍在175~253.87g C/(m2㊃a),该区域自然环境恶劣,水土流失严重,植被覆盖度低,是全省植被N P P低值集中区域;另一冷点区域集中在西安市周边区县,主要为咸阳市的礼泉县㊁泾阳县㊁三原县㊁兴平市㊁渭城区和西安市雁塔区㊁灞桥区㊁临潼区㊁高陵区㊁阎良区和渭南市的临渭区,年平均植被N P P 值在263~374.19g C/(m2㊃a),该区域城市聚集度高,植被稀少,导致区域植被N P P值较低㊂3.3N P P时序变化特征陕西省2010 2020年植被N P P最小值㊁最大值以及平均值如表2所示㊂陕西省植被N P P平均值由331.02g C/(m2㊃a)逐步增加到405.74g C/(m2㊃a)㊂本文按照等间距法,将陕西省单位面积内N P P均值以150g C/(m2㊃a)的区间长度,划分为5个等级并统计各等级面积占比,如图3所示㊂可以看出,2010年N P P均值最低,为331.02g C/(m2㊃a),2014年N P P均值最高为416.34g C/(m2㊃a),其他年份N P P均值均位于300~ 410g C/(m2㊃a)范围内㊂N P P均值在150~600g C/ (m2㊃a)之间的区域占全省总面积的62%~93%,最低值 ɤ150g C/(m2㊃a) 和最高值 ȡ600g C/(m2㊃a) 区间的N P P占比较少,且全省植被N P Pɤ150g C/(m2㊃a)的区间占比逐步缩小,表明低植被覆盖区域正在向中高植被覆盖区域过渡,植被生长环境得到有效治理,植被N P P值正在稳步提高㊂陕西省月均N P P值整体呈现出先升高后降低的单峰型变化规律以及具有明显的季节性变化特征(图4),春季(3月㊁4月㊁5月)气温回暖,植被开始生长,N P P值逐渐增大,介于17.37~34.19g C/(m2㊃a);夏152第3期赵雪瑞等:基于改进C A S A模型的陕西省植被N P P遥感估算季(6月㊁7月㊁8月)太阳辐射总量大,气温高降雨多,植被生长迅速,N P P值明显高于其他季节,介于59.03~78.63g C/(m2㊃a);秋季(9月㊁10月㊁11月)气温降低,日照时长减少,太阳总辐射量降低,植被生长进入衰落和死亡期,N P P值位于春季和冬季之间,在18.10~27.39g C/(m2㊃a)范围;冬季(12月㊁1月㊁2月)寒冷干燥,雨雪稀少,植被N P P值在一年四季中最低,介于6.01~7.87g C/(m2㊃a)㊂图2陕西省多年N P P均值空间分布及冷热点区域F i g.2M a p o f t h e s p a t i a l d i s t r i b u t i o no fm u l t i-y e a rN P Pa v e r a g e s a n d c o l dh o t s p o t a r e a s i nS h a a n x i P r o v i n c e表2陕西省2010-2020年N P P值T a b l e2N P Pv a l u e s f o r S h a a n x i P r o v i n c e2010-2020年份最小值/(g C㊃m-2㊃a-1)最大值/(g C㊃m-2㊃a-1)平均值/(g C㊃m-2㊃a-1)201013.95909.93331.02 201164.93730.31359.00 201214.16873.79403.07 201322.93909.14405.75 201464.43893.99416.34 201543.90893.26401.75 201666.19865.40407.71 201770.42878.68403.87 201863.65843.79384.64 201949.16930.43398.13 20203.03962.47405.74利用线性回归分析方法对陕西省2010 2020年N P P变化趋势进行探究,并依据显著性水平将其划分为5个等级:显著增加(S l o p e>0,Fȡ10.56)㊁轻度增加(S l o p e>0,5.117<F<10.56)㊁基本不变(Fɤ5.117)㊁轻度减少(S l o p e<0,5.117<F<10.56)㊁显著减少(S l o p e<0,Fȡ10.56)(图5)㊂2010 2020年,总体上呈稳定趋势,陕西省83.3%的地区植被生长保持稳定趋势,N P P值无显著变化;4.2%的地区呈增长态势,主要分布于陕北地区的榆林市西北部以及延安市东北部的志丹县,该区域自实施退耕还林还草政策㊁防护林建设㊁封沙禁牧等系列生态文明建设工程以来,植被生长环境得到明显改善,植被覆盖率提高,N P P值显著增加;12.5%的地区N P P呈下降趋势,主要分布在西安市周边区域以及秦巴山区的汉中市和安康市㊂城市扩张占用大量农田和草地,城市化发展破坏周边地区植被生长环境,导致区域植被覆盖度降低,因此西安市周边区域植被N P P降低趋势明显;汉中市㊁安康市地处巴山山脉附近,森林覆盖度高,植被N P P值受气温㊁降水等气候因素影响较大㊂图3陕西省N P P各等级占比F i g.3P e r c e n t a g e o fN P Pb y g r a d e i nS h a a n x i P r o v i n c e252水土保持研究第31卷图4陕西省各季节N P P值㊁年均值F i g.4S h a a n x i P r o v i n c eN P Pv a l u e s b ys e a s o n,a n n u a l a v e r a g e图5陕西省2010-2020年N P P变化趋势F i g.5S h a a n x i P r o v i n c e,2010-2020N P P t r e n d3.4N P P驱动因子分析本文从自然因素和人类活动两方面共选取降水㊁太阳辐射量㊁气温㊁坡度㊁土地利用类型㊁海拔㊁人口密度7个因子,利用地理探测器对陕西省2010年㊁2015年和2020年植被N P P变化驱动力进行探究㊂因子探测结果如图6所示,比较2010 2020年各影响因子对植被N P P变化的q均值大小排序为:降水(0.68)>太阳辐射量(0.62)>土地利用类型(0.46)>坡度(0.35)>气温(0.17)>海拔(0.09)>人口密度(0.04)㊂2010年㊁2020年降水是N P P变化的主导因子,对陕西省植被N P P空间异质性的解释力最强,q值分别为:0.72,0.66㊂2015年陕西省植被N P P受太阳辐射量的影响力最强,q值为0.68㊂在地形因子中,坡度对于植被N P P变化的贡献率明显大于海拔因子㊂人类活动通过作用于改变土地利用类型,进而对植被N P P产生影响,土地利用类型对陕西省植被N P P变化的贡献率正在逐渐增强,2010 2020年q值由0.23增长到0.61㊂本文利用交互探测研究各因子交互作用下对植被N P P变化的影响,交互探测结果(表3)表明,驱动因子对陕西省植被N P P变化的影响不是独立的,任意两因子对N P P变化的贡献率均大于单一因子,说明与单因子相比,因子交互作用下对陕西省植被N P P变化的解释力进一步增强,主要表现为非线性增强或双因子增强㊂其中,降水与其他因子的交互作用在2010年㊁2015年和2020年对植被N P P变化的解释力均大于0.65,人口密度与其他所有因子的交互作用q值明显大于其作为独立因子时的q值㊂在2010年降水与太阳辐射量之间的交互作用对陕西省植被N P P变化的影响大于其他因子之间的交互作用,土地利用类型与太阳辐射量间的交互作用在2015年和2020年是影响植被N P P变化的主要因素,q值分别为:0.87,0.80,结合因子探测中,降水是陕西省植被N P P变化的主导因子,太阳辐射量单因子q值仅次于降水,土地利用类型q值也正在不断提升,更加说明降水㊁太阳辐射量和土地利用类型之间的交互作用对陕西省植被N P P变化的影响更大㊂图6因子探测结果F i g.6F a c t o r d e t e c t i o n r e s u l t4讨论与结论4.1讨论本文在朱文泉教授改进C A S A模型的基础上,提出的基于T V D I改进C A S A模型估算得到的植被N P P值与MO D I SN P P值有较强的相关性,精度略高于原C A S A模型,且陕西省植被N P P南高北低的352第3期赵雪瑞等:基于改进C A S A模型的陕西省植被N P P遥感估算分布特征及年内单峰型变化趋势也与其他学者的研究结果相一致㊂但由于研究区域范围较大,植被覆盖类型复杂,在短时间内难以获取实测N P P 值,因此本文缺少C A S A 模型改进前后估算得到的N P P 值与实测数据的直接验证,这将影响模型精度评价结果㊂同时,陕西省地形地貌特征复杂㊁南北跨度较大㊁悬殊的海拔差异对地表温度产生一定影响,进而对T V D I 计算带来误差[22-28]㊂而本文在T V D I 计算过程中,未考虑到研究区4种特殊的地貌类型,忽略了由于地形起伏差异对地表温度带来的影响,这将在一定程度上决定T V D I 计算结果,从而对改进C A S A 模型的估算精度产生影响㊂表3 N P P 影响因子交互探测q 值T a b l e 3 N P P i n f l u e n c e f a c t o r i n t e r a c t i o nd e t e c t i o n q -v a l u e因子2010年X 1X 2X 3X 4X 5X 6X 72015年X 1X 2X 3X 4X 5X 6X 72020年X 1X 2X 3X 4X 5X 6X 7X 10.070.010.04X 20.590.550.720.680.710.63X 30.190.590.100.130.810.080.160.800.08X 40.730.760.750.710.710.710.800.670.720.690.790.66X 50.340.650.420.740.230.630.870.690.850.610.590.800.630.800.55X 60.390.600.440.720.430.310.400.730.450.710.720.380.390.690.430.700.660.37X 70.330.620.510.750.600.520.280.200.810.460.780.780.460.110.270.780.520.760.720.460.13注:X 1,X 2,X 3,X 4,X 5,X 6,X 7分别代表人口密度㊁太阳辐射量㊁海拔㊁降水㊁土地利用类型㊁坡度㊁气温㊂ 此外,植被N P P 与自然因素㊁人为因素间的关系是复杂多样的,气象㊁地形㊁人类活动等因素都会对植被N P P 产生影响㊂气候变化通过作用于植被的光合作用㊁呼吸作用以及蒸腾作用等多个生理生态过程,调节植物代谢㊁群落生物量和生长季节长度直接或间接地影响区域植被N P P 的生产,已有研究表明,当区域温度升高时,会促进植被的光合作用,提高植被N P P 产量,但是温度过高又会使植被呼吸作用㊁蒸腾作用增强,从而加速土壤水分的散失以及干物质量的消耗,降低植被N P P 生产;降水及光照等气候因子也会影响植被N P P 变化,尤其是在干旱及半干旱地区,降水的增加对植被N P P 积累有一定的促进作用,但当降水量超过植被生长所需时,又会对植被的生长发育产生不利影响,光照因子直接影响植被吸收的光合有效辐射量,进而对植被光合作用强弱产生影响[29]㊂气候因子对植被N P P 变化的影响过程是复杂的,任何单一气候因子的变化会对N P P 产量有促进或抑制作用,本文的交互探测结果也表明降水㊁光照㊁地形等多因子交互作用下,会对区域植被N P P 变化产生一定影响㊂人类活动对植被N P P 的影响是双面的,植树造林㊁退耕还林以及三北防护林等生态保护工程对植被N P P 增长具有促进作用,这些工程直接影响了区域土地利用类型的转变,将荒地㊁耕地等N P P 产量较低的土地利用类型,改造成为草地㊁林地等高密度型植被覆盖区域,提高了植被覆盖度,进而促进区域植被N P P 的提升㊂已有研究证实,通过退耕还林政策,我国黄土高原地区的植被覆盖度正在逐渐提高,区域植被N P P 产量较政策实施前显著增加,而城市扩张㊁过度放牧等人类活动占用了大量草地㊁农田等其他土地利用类型,降低植被覆盖度,进而会导致区域植被N P P 量减少[30]㊂本文在分析陕西省2010 2020年植被N P P 年际变化趋势时发现,省内大部分面积植被N P P 值无显著变化,秦巴山区的汉中市和安康市植被N P P 呈降低趋势,这与其他研究中陕西省全省植被N P P 呈增加趋势相违背[31],产生这种结果的原因可能是因为本文的时间尺度与其他研究不完全一致,数据的输入㊁模型的选取也会为植被N P P 估算带来不确定性,且气象因子㊁人类活动与植被N P P 变化之间的复杂响应关系,也会对N P P 变化趋势产生影响,因此对于本文中2010 2020年陕西省秦巴山区安康市和汉中市植被N P P 值出现降低趋势的真实原因,还有待进一步研究㊂4.2 结论(1)陕西省2010 2020年N P P 空间分布格局具有一定的纬度地带性特征,南北分布差异明显,陕南地区植被N P P 值明显高于陕北黄土高原丘陵沟壑区以及风沙区;(2)陕西省植被N P P 冷热点区域分布较为明显,陕北榆林市和西安市周边为两个冷点区;陕南秦巴山区的安康市㊁汉中市等各区县为热点区域;(3)陕西省年内植被N P P 表现出明显的单峰型452 水土保持研究 第31卷。
基于MODIS数据的陕西地表温度监测

摘 要 :地表温度 是反映土壤一植 被一 大气 系统 能量流动与物 质交换 的重要参 数 ,讨论 了利用 E / OS MOD S资料反 演地 表温 度 的分裂 窗方 法各 参数 获取 及其 在陕 西 省 的应用 ;建立 了基 于 I
维普资讯
陕 西 气 象 文章编号l 0 6 4 5 (0 7 1 0 1- 4 1 0 — 3 4 2 0 )0 — 0 0 2
基 于 MOD S数据 的陕西地表 温度监测 I
李星敏 ,杨文峰 ,张树誉。 ,高 蓓。
(・陕 西省 经济作物 气 象服 务 台,西安 70 1  ̄2 西省 气象 台 ,西安 70 1 ; 1 10 4 .陕 104
指物体 在温度 丁 、波长 处 的辐 射 出射度 与 同温
境 时 间)地 面气象 自动 站地 表温度 观测 资料 。
冬季 :r = 一0 1 4 3 1 . 2 w十1 0 7 尺 一0 9 5 . 4 , 。 . 9
r2 - 0 1 5 + 0 9 7 尺 0 9 4 3一 . 4w . 9 , = . 9
() 4
() 5
1 1 3 地 表 比辐 射 率 的计 算 地 表 比辐 射率 是 ..
的线性 方程 。
中纬 度大气 夏季 :
r 一 0 1 6 7 w + 1 0 0 1 尺 0 9 4( ) 3一 . 0 1 . 4 5, = . 9 2 r, 一 0 1 5 7 w + 0 9 22 , 一 0 9 5( ) 一 . 2 7 . 9 9 尺 . 9 3
关系。 利用 该近 似线 性关 系 , 可得 针对 MOD S的 I
卫 星 的光谱分 辨率 和空 间分辨 率 的特点 , 自发射 以来得 到 了广泛 关 注 。用 M0 S资料 反 演 地表 DI 温 度主 要有 3种 方法Ⅲ : 单一 红外通 道 方法 、 分裂 窗方 法和针对 MODI 测仪特 性 而设 计 的 白天 S探 / 间 M0 S的 L T 方法 。本 文 主要 讨 论分 裂 夜 DI S 窗方法 和基于遥 感 和地面 观测 资料 的统计 方 法在 陕 西省 地表温 度监测 中的应用
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
i 1
利用NPP或ET序列和时间序列的相关关系 判断NPP或ET年际变化的显著性, 值大 小反映了NPP或ET年际变化的增加或降低, 为正表示NPP或ET上升,反之则表示下降。 此方法采用相关系数的检验方法进行显著
性检验。
3.2.2相关性计算
采用逐像元空间分析法,分析NPP与ET 之间的相关系数,本文使用Pearson系数法, 公式为:
南部地区水分较为充足,而在陕西北部较 为缺水。
全省蒸散量变化趋势与植被
覆盖情况联系紧密,植被 覆盖度高的地区蒸散量 大。
2000—2014年全省蒸散量多年平均值为493.18mm,年际变化 率仅为0.99,未通过显著性检验。陕北地区蒸散量多年平均值为 325.20mm,年际变化率为各区域最高达2.11;关中地区蒸散量 均值为518.87mm,年际变化率为负,该区域城ቤተ መጻሕፍቲ ባይዱ较多,受城市
化冲击较大,且地处较干旱地区,周边植被覆盖水平变差,蒸 散量也较低;陕南地区蒸散量均值最高为672.30mm,年际变化 率为0.60,全省各区均未通过显著性检验(p 0.1)。
4.3 2000—2014年植被NPP与ET的关系
由于陕北地区植被NPP与蒸散量ET相关性更加紧密,进一步建立一元 线性回归方程分析陕北地区逐年植被NPP与蒸散量ET的相关关系,结 果表明:2000—2014年间陕北地区植被NPP与蒸散量ET的相关关系 在删除个别异常数据之后均呈极显著正相关关系。在陕北地区植被 NPP的大小与蒸散量的多少有着密切的关系,陕北地区年降雨量少, 蒸散量是水分交换的主要途径,当干旱发生时,水分平衡发生了变化, 地表蒸散及植被的蒸腾作用均较低,导致该区域植被长水平状况受到 影响,作为植被生长状况的主要衡量标准之一的植被NPP也因此受到 了影响。当下垫面水分充足时,太阳净辐射、温度及风速等因素成为 驱动蒸散发变化的主要因素,而当在下垫面比较干旱时,蒸散量主要 受土壤水分影响,干旱是影响植被生长的重要因素之一,因此越是在 干旱的地区植被生长与蒸散量的关系愈发紧密。
(3)逐年分析植被NPP与ET相关性,结果表明陕西省植被NPP与蒸散量ET的相关系 数较高,通过了p 0.05的显著性检验。逐像元进一步分析植被NPP与蒸散量ET的相 关关系结果表明全省40.48%的区域未通过显著性检验(p 0.1),尤其是陕南绝大部 分地区未通过检验。
讨论:
陕北地区植被NPP与蒸散量ET的相关性极高,两者相互 作用,在下垫面水分交换的过程中,植被得到了充足的水 汽才能良好的生长,特别是在干旱的区域,蒸散量的多少 直接影响到植被NPP的大小即植被生长状况是否良好,相反 植被生长状况也直接影响了植被的蒸腾作用,进一步影响 到蒸散量的多少。本文的不足之处在于没有进一步分析不 同植被类型下植被NPP与ET的关系,该区域十几年间植被 覆盖类型发生巨大变化,在退耕还林还草过程中,大量的 耕地被转变为林地、草地,进一步研究该区域不同土地利 用类型对植被NPP与ET的影响,可探究该区域在下垫面的 改变下植被NPP与ET的相关关系,对该区域生态环境建设 提供理论依据。
R xy
x x y y n
i1
i
i
n 2 n 2 i 1 xi x i 1 yi y
四、结果与分析
4.1 2000—2014年陕西省植被NPP时空分布 特征
全省NPP变化呈现
二、研究区概况
陕西省位于西北地区东部(105°29′~ 111°15′E,31°42′~39°35′N), 南北向长约880 km,东西宽约160~490 km;地势中部低,南北高,海拔在500 m~2000m之间,年平均降水量 576.9m m,年平均气温13.0℃,无霜期218 d左 右,全省自北向南依次分布着温带草原、 森林草原、暖温带落叶阔叶林和北亚热 带常绿阔叶林,全省平均森林覆盖率41. 4%。
由南向北递减的
趋势,陕北均值最 低,其次是关中地 区,陕南全省最高
全省植被NPP呈增加趋势,仅有
陕南大部分地区及关中南部部分地 区增加趋势不显著,不显著区域占
全省面积的35.85%。
4.2 2000—2014年陕西省实际蒸散(ET)时 空分布特征
全省蒸散量分布有明显的空间差异,呈现
由南向北递减的趋势。说明在陕西
植被净初级生产力(NPP)是指植物在单位时间 和单位面积上所积累的有机干物质总量。植被 NPP不仅是全球碳循环过程中的重要环节,而且 是估算和评价陆地生态系统可持续发展的一个重 要生态指标。
蒸散(Evapotranspiration,ET)是植被及地面向 大气输送的水汽总通量。包括地表蒸发量和植物 蒸腾量两部分,是下垫面向大气水汽输送的重要 途径,对ET过程的研究可了解陆面过程的能量 平衡和水分循环,它对维持地表水分循环和能量 平衡起着至关重要的作用,并对全球气候变化和 生态系统中水循环具有重要的研究意义。
五、结论
(1)陕西省2000—2014年年植被NPP均值呈现由南向北逐步减少的空间特征,陕南 地区植被NPP最高,其次是关中地区,陕北地区尤其是长城沿线风沙区是被NPP最 低。2000-2014年陕西省植被NPP在波动中呈上升趋势,全省年际变化率达5.27,陕 北地区年际变化率最高达5.98,陕南地区最低。
对NPP及ET数据预处理流程为:利用MRT工具进行 数据镶嵌及投影转化,并对处理过的数据进行区域 裁剪。
◦ 3.2研究方法
3.2.1年际变化计算
应用一元线性回归分析法对陕西省NPP
及ET进行时间趋势分析,其计算公式为:
n
(xi x)(ti t )
i1 n
(ti t )2
基于MODIS数据的陕西省植被净初级 生产力与实际蒸散的变化关系
陕西省气象局遥感中心:王娟、何慧娟、卓静等
主要内容:
一、研究目的及意义 二、研究区概况及 三、数据来源及研究方法 四、结果与分析 五、结论
一、研究目的及意义
近年来,全球气候变暖所带来的环境问题已成为 生态学领域研究的热点问题,碳循环及水循环是 生态系统中重要的组成部分。
(2)2000—2014年年ET均值呈现由南向北逐步减少的趋势,陕南地区年均蒸散量7 00~800mm之间,该区域气候宜人,降雨充沛因此蒸散量ET值最高,关中地区逐渐 向陕北黄土高原区过渡,蒸散量ET值在600mm左右,陕北地区较为干旱,蒸散量在 200mm左右。2000—2014年全省蒸散量ET年际变化率仅为0.99。全省各个区域均为 通过显著性检验。
三、数据来源及研究方法
3.1数据来源:
本研究所用的植被NPP数据MOD17A3为美国 蒙大拿大学反演的2000—2014年的年NPP数据(ftp://
/),空间分辨率1km×1km。
MOD16蒸散数据集主要使用2000—2014年MODIS传 感器遥感反演数据(下载地址同上),蒸散数据产 品有两种:一种是蒸散(ET),即实际陆面蒸散量; 另一种是潜在蒸散(Potential ET,简称PET),本文 为了与NPP数据时间尺度保持一致,使用实际陆面 蒸散量(ET)年值,空间分辨率1km×1km。