南方丘陵山地带NDVI时空变化及其驱动因子分析_王静
基于遥感数据的植被NDVI时空动态分析与模拟
基于遥感数据的植被NDVI时空动态分析与模拟论文题目：基于遥感数据的植被NDVI时空动态分析与模拟摘要：本文通过利用遥感数据获取的植被归一化植被指数（NDVI）信息，对植被的时空变化进行了分析与模拟研究。
采用的遥感数据覆盖了多个时间段，包括了春季、夏季、秋季和冬季的数据，以分析不同季节下的植被变化情况。
通过空间分析，探讨了不同地区的植被覆盖度、季节性变化以及长期趋势等特征，以模拟植被的时空动态变化。
关键词：遥感数据、植被、NDVI、时空动态分析、模拟1. 引言植被是地球上最重要的生态系统组成部分之一，与气候、水文循环等众多环境要素紧密相关。
时间序列的遥感数据提供了监测植被动态变化的有力工具，其中植被归一化植被指数（Normalized Difference Vegetation Index, NDVI）常被用于评估植被的健康状态和生长状况。
NDVI可以从遥感图像中提取，并通过计算红光波段和近红外波段之间的差异来反映植被光合活性和生物量。
因此，基于遥感数据的植被NDVI时空动态分析与模拟有助于深入探讨植被变化及其对环境的响应。
2. 数据与方法2.1 数据采集本研究使用的遥感数据包括多个时间段的遥感图像，覆盖了不同季节的数据。
采集的遥感图像包括了春季、夏季、秋季和冬季的数据。
这些图像以高空间分辨率和适当的时间分辨率提供了对植被变化进行时空分析的能力。
2.2 数据预处理在进行时空动态分析之前，需要对采集到的遥感图像进行预处理。
预处理过程包括校正、辐射校正和大气校正等步骤。
这些步骤旨在减少图像中的噪声和误差，并提高植被信息的可靠性。
2.3 NDVI计算在数据预处理完成后，可以利用遥感图像计算NDVI值。
通过计算红光波段和近红外波段之间的差异，可以获得每个像元的NDVI值。
NDVI值的范围从-1到1，其中高值表示植被覆盖度高，低值表示植被覆盖度低。
3. 时空动态分析3.1 季节性变化分析利用采集到的多个时间段的遥感图像，可以分析不同季节下的植被变化情况。
基于地理探测器模型的中亚ndvi时空变化特征及其驱动因子分析
收稿日期: ２０１８ － １０ － ２６ꎻ 修订日期: ２０１９ － ０１ － ０１
基金项目: 中国科学院战略性先导专项“ 泛第三极环境变化与绿色丝绸之路建设” ( 编号: ＸＤＡ２００６０３０１０２) 、国家自然科学基金项目
“中亚重大河湖流域地表水环境演变规律及其风险预警” ( 编号: Ｕ１６０３２４２) 、中国科学院科技服务网络计划项目“ 中亚水环
[ Ｊ] . 国土资源遥感ꎬ２０１９ꎬ３１(４) :３２ － ４０. ( Ｗａｎｇ ＷꎬＳａｍａｔ ＡꎬＡｂｕｄｕｗａｉｌｉ Ｊ. Ｇｅｏ － ｄｅｔｅｃｔｏｒ ｂａｓｅｄ ｓｐａｔｉｏ － ｔｅｍｐｏｒａｌ ｖａｒｉａｔｉｏｎ ｃｈａｒａｃ￣
ｔｅｒｉｓｔｉｃｓ ａｎｄ ｄｒｉｖｉｎｇ ｆａｃｔｏｒｓ ａｎａｌｙｓｉｓ ｏｆ ＮＤＶＩ ｉｎ Ｃｅｎｔｒａｌ Ａｓｉａ[ Ｊ] . Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ Ｌａｎｄ ａｎｄ Ｒｅｓｏｕｒｃｅｓꎬ２０１９ꎬ３１(４) :３２ － ４０. )
０ 引言
护具有重要意义ꎮ
在全球气候变化的大背景下ꎬ中亚地区从 ２０ 世
纪 ７０ 年代起气温开始迅速上升ꎬ平均增温速率达到
０. ４℃ / １０ ａꎬ远高于同期全球变暖速率
同时ꎬ不合理的土地开发利用方式
[３]
[１ － ２]
ꎮ 与此
、粗犷的农田
灌溉模式 [４] 等人类活动的不断增强更加剧了区域
生态与资源的竞争局面ꎮ 于是ꎬ中亚地区开始出现
势ꎬ通过相关分析 [９] 、偏相关分析 [１２] 和奇异值分解
( ｓｉｎｇｕｌａｒ ｖａｌｕｅ ｄｅｃｏｍｐｏｓｉｔｉｏｎꎬ ＳＶＤ) [１２] 等 方 法 分 析
不同空间和时间尺度上中亚地区植被覆盖变化对气
等一系
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]。
2000-2020年陕西省植被NDVI时空变化及气候因子探测
第31卷第2期2024年4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 .2A pr .,2024收稿日期:2023-04-27 修回日期:2023-05-29资助项目:国家高端外国专家引进项目 生态平衡评估指标体系研究 (G 2021171029L )第一作者:李霞(1977 ),女,陕西西安人,博士,副教授,主要从事地理信息学㊁生态遥感及生态修复研究㊂E -m a i l :l i x i a 666@c h d .e d u .c n通信作者:王孝康(1973 ),男,陕西合阳人,高级工程师,主要从事国土绿化与生态价值评价技术与研究㊂E -m a i l :867920018@q q.c o m h 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 .2024.02.042.李霞,王孝康,刘秀花,等.2000-2020年陕西省植被N D V I 时空变化及气候因子探测[J ].水土保持研究,2024,31(2):443-453.L iX i a ,W a n g X i a o k a n g ,L i uX i u h u a ,e t a l .S p a t i o t e m p o r a lV a r i a t i o no fV e ge t a t i o nN D V I a n dC l i m a t eF a c t o rD e t e c t i o n i nS h a a n x i P r o v i n c ef r o m 2000-2020[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(2):443-453.2000-2020年陕西省植被N D V I 时空变化及气候因子探测李霞1,王孝康2,刘秀花3,4,张乐艺3,4,金相皓1,陈永昊1(1.长安大学土地工程学院,西安710054;2.国家林业和草原局西北调查规划院,西安710041;3.长安大学水利与环境学院,西安710054;4.旱区地下水文与生态效应教育部重点实验室,西安710054)摘 要:[目的]揭示陕西省不同生态系统植被时空变化,厘清不同气候因子及相互作用对植被变化的影响机制,为区域生态环境保护提供理论依据㊂[方法]基于MO D I S N D V I 及年均高温㊁年均低温㊁年均温㊁年总降水数据,采用T h e i l -S e nM e d i a n 趋势㊁偏相关㊁地理探测器等方法,分析了2000 2020年各地貌分区植被N D V I 时空变化特征,结合变量分离探究了植被N D V I 变化与降水㊁气温的内部关联和响应机制㊂[结果]2000 2020年陕西植被N D V I 波动增加,速率为5.9%/10a ,速率大小为陕北>关中>陕南;全省多年植被N D V I 值为0.71,南高北低;植被N D V I 显著改善区域占比67%,分区占比为陕北>陕南>关中㊂2000 2020年陕西气候因子随时间波动变化,速率大小为陕南>关中>陕北,空间上呈现年均高温降低㊁年均低温上升㊁年均温降低㊁降水增加㊂2000 2020年陕西及各分区植被N D V I 与年均高温整体呈负相关,与年均低温㊁年均温㊁年总降水量呈正相关;全省及陕北年总降水贡献最大,关中和陕南年均高温贡献最大;年均高温与年总降水交互主导全省㊁陕北及陕南植被N D V I 变化,年均温与年总降水的交互主导关中植被N D V I 变化㊂[结论]研究期陕西及各分区植被整体变好,各分区植被对气候的响应关系㊁各因子的贡献及其相互作用不同,降水和年均高温㊁年均温的交互显著影响植被N D V I 变化㊂关键词:植被N D V I;时空变化;地理探测器;陕西省中图分类号:Q 948 文献标识码:A 文章编号:1005-3409(2024)02-0443-11S p a t i o t e m p o r a lV a r i a t i o no fV e ge t a t i o nN D V I a n dC l i m a t eF a c t o r D e t e c t i o n i nS h a a n x i P r o v i n c ef r o m2000-2020L iX i a 1,W a n g X i a o k a n g 2,L i uX i u h u a 3,4,Z h a n g L e y i 3,4,J i nX i a n g h a o 1,C h e nY o n gh a o 1(1.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 ;2.N o r t h w e s tR e s e a r c h a n dP l a n n i n g I n s t i t u t e ,S t a t eF o r e s t r y a n dG r a s s l a n dA d m i n i s t r a t i o n ,X i 'a n 710041,C h i n a ;3.C o l l e g e o fW a t e rR e s o u r c e s a n dE n v i r o n m e n t ,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 ;4.K e y L a b o r a t o r y o f S u b s u r fa c e H y d r o l o g y a n dE c o l o g i c a lE f f e c t s i nA r i dR e g i o n ,M i n i s t r y o f E d u c a t i o n ,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 )A b s t r a c t :[O b j e c t i v e ]T h i s p a p e r r e v e a l s t h e s p a t i o t e m p o r a l c h a n g e so f v e g e t a t i o n i nd i f f e r e n t e c o s ys t e m s i n S h a a n x i P r o v i n c e ,c l a r i f i e s t h e i n f l u e n c em e c h a n i s m s o f d i f f e r e n t c l i m a t i c f a c t o r s a n d t h e i r i n t e r a c t i o n s o n t h ec h a n g e so fv e g e t a t i o n ,a nd p r o v i de sat h e o r e t i c a lb a s i sf o rr eg i o n a le c o l o g i c a le n v i r o n m e n t a l p r o t e c t i o n .[M e th o d s ]B a s e do n MO D I SN D V I a n da n n u a l a v e r a g ehi g h t e m p e r a t u r e ,a n n u a l a v e r a g e l o wt e m p e r a t u r e ,a n n u a l a v e r a g et e m p e r a t u r e ,a n da n n u a lt o t a l p r e c i p i t a t i o n d a t a ,t h i s p a p e ra n a l y z e dt h es p a t i o t e m p o r a l v a r i a t i o nc h a r a c t e r i s t i c so fv e g e t a t i o n N D V I i ne a c hl a n d s c a p e p a r t i t i o nf r o m 2000t o2020b y Th e i l -S e n M e d i a n t r e n d ,p a r t i a l c o r r e l a t i o n ,a n d g e o d e t e c t o r ,a n d t h e i n t e r n a l c o r r e l a t i o n s a n d r e s po n s em e c h a n i s m s o fv e g e t a t i o nN D V I c h a n g e sw i t h p r e c i p i t a t i o n a n d t e m p e r a t u r ew e r e i n v e s t i g a t e db y c o m b i n i n g v a r i a b l e s e p a r a-t i o n.[R e s u l t s]V e g e t a t i o nN D V I i nS h a a n x i f l u c t u a t e d a n d i n c r e a s e d f r o m2000t o2020a t a r a t e o f5.9%/p e r d e c a d e,a m o n g w h i c h t h e r a t e o f v e g e t a t i o nN D V I d e c r e a s e d i n t h e d i f f e r e n t l a n d s c a p e i n t h e o r d e r:N o r t h e r n S h a a n x i>G u a n z h o n g>S o u t h e r nS h a a n x i.T h em u l t i-y e a rv e g e t a t i o n N D V Iv a l u eo f t h e p r o v i n c ew a s0.71, w i t hh i g h l e v e l i n t h e s o u t h a n d l o wl e v e l i n t h e n o r t h.V e g e t a t i o nN D V I i n67%o f t h e r e g i o n s s h o w e d a s i g-n i f i c a n t l y i m p r o v e d t r e n dd u r i n g t h e s t u d yp e r i o d,a n d t h e p r o p o r t i o n i nd i f f e r e n t l a n d s c a p e d e c r e a s e d i n t h e o r d e r:N o r t h e r n S h a a n x i>S o u t h e r n S h a a n x i>G u a n z h o n g.T h ec l i m a t ef a c t o r sf l u c t u a t e d o v e rt i m ei n S h a a n x i f r o m2000t o2020,t h e c h a n g e r a t e s i nd i f f e r e n t l a n d s c a p ed e c r e a s e d i n t h eo r d e r:S h a a n x i S o u t h> G u a n z h o n g>S h a a n b e i.T h e s p a t i a l t r e n d s o f t e m p e r a t u r e f a c t o r s s h o w e d t h e d e c r e a s e i n a n n u a l a v e r a g e h i g h t e m p e r a t u r e,t h e i n c r e a s e i na n n u a l a v e r a g e l o wt e m p e r a t u r e,a n dt h ed e c r e a s e i na n n u a l a v e r a g e t e m p e r a-t u r e,a n d t h e i n c r e a s e i n p r e c i p i t a t i o n.T h e o v e r a l l v e g e t a t i o nN D V I o f S h a a n x i a n d e a c h s u b d i s t r i c t f r o m2000 t o2020w a s n e g a t i v e l y c o r r e l a t e dw i t h a n n u a l a v e r a g e h i g h t e m p e r a t u r e a n d p o s i t i v e l y c o r r e l a t e dw i t h a n n u a l a v e r a g e l o wt e m p e r a t u r e,a n n u a l a v e r a g e t e m p e r a t u r e,a n d a n n u a l t o t a l p r e c i p i t a t i o n.T h e c o n t r i b u t i o n o f a n-n u a l t o t a l p r e c i p i t a t i o nw a s g r e a t e s t i n t h e p r o v i n c e a n dn o r t h e r nS h a a n x i,a n d t h e c o n t r i b u t i o n o f a n n u a l a v-e r a g eh i g h t e m p e r a t u r ew a s g r e a t e s t i nG u a n z h o n g a n ds o u t h e r nS h a a n x i.T h e i n t e r a c t i o no f a n n u a l a v e r a g eh i g h t e m p e r a t u r e a n d t o t a l a n n u a l p r e c i p i t a t i o nh a d t h e s t r o n g e s t i n f l u e n c eo nv e g e t a t i o nN D V I i n t h e p r o v-i n c e,n o r t h e r nS h a a n x i a n d s o u t h e r nS h a a n x i,a n d t h e i n t e r a c t i o nb e t w e e n a n n u a lm e a n t e m p e r a t u r e a n d t o t a l a n n u a l p r e c i p i t a t i o nh a d t h e s t r o n g e s t e f f e c t o n v e g e t a t i o nN D V I i nG u a n z h o n g.T h e i n t e r a c t i o n o f o f p r e c i p i-t a t i o nw i t hm a x i m u ma n d a n n u a l a v e r a g e t e m p e r a t u r e s s i g n i f i c a n t l y i n f l u e n c e d t h e v e g e t a t i o nN D V I c h a n g e s.[C o n c l u s i o n]T h e v e g e t a t i o n i nS h a a n x i a n d t h e s u b-r e g i o n s h a db e c a m e b e t t e r o v e r a l l d u r i n g t h e s t u d yp e r i-o d.T h e v e g e t a t i o n i ne a c hs u b-r e g i o nr e s p o n d e dd i f f e r e n t l y t oc l i m a t e,a n dt h ec o n t r i b u t i o no f e a c hf a c t o r a n d i t s i n t e r a c t i o n s a l s od i f f e r e d.K e y w o r d s:v e g e t a t i o nN D V I;s p a t i o t e m p o r a l v a r i a t i o n;g e o d e t e c t o r;S h a a n x i P r o v i n c e全球变暖导致极端天气和气候事件更频繁地发生,对生态系统产生重大影响[1]㊂植被是陆地生态系统的重要组成部分,连接着大气圈㊁土壤圈㊁水圈等多个圈层[2],在水土保持㊁气候调节㊁碳氮循环等生态系统服务方面发挥着至关重要的作用[3]㊂因此,研究植被变化及其驱动力对生态环境具有重要意义[4]㊂植被变化研究一直备受关注,归一化植被指数(n o r m a l i z e d d i f f e r e n c e v e g e t a t i o n i n d e x,N D V I)是植被生长状况和植被空间分布密度的良好指标[5],常用来表征植被分布与变化㊂不同地域的水热条件差异会显著影响陆地生态系统植被生长[6],降水是控制植被生长的关键因素,特别是干旱半干旱地区,土壤水分会严重限制植被发育[7]㊂气温控制着植被光合作用,同时气温升高可能会影响植被物候㊁延长生长季,进而对植被生长产生显著影响[8]㊂G a o等[9]在毛乌素地沙地N D V I变化研究中,得出气温和降水能够较好地解释植被动态变化,且不同时间尺度上主导因素不同㊂杨延征等[10]使用S P O T-V G T N D V I对陕北地区植被的时空变化进行分析,研究得出气温和降水是影响植被变化的重要气候因子㊂邓晨晖等[11]通过趋势分析㊁多元回归残差法㊁偏最小二乘回归法,分析了秦岭地区2000 2015年植被覆盖的变化特征,探究了其对气候变化与人类活动的双重响应机制㊂已有研究中相关分析㊁偏最小二乘回归和多元回归分析等方法较为常用,然而陆地植被生长对驱动因子响应是一个复杂的过程,往往是非线性和交互关系,而传统的统计方法只有当植被变化与其驱动力之间的关系为线性时才有效[12],因此在开展复杂地貌单元生态系统对比研究时常常不能凸显出其优势㊂近年来,新的模型与分析方法在不断发展,如交叉小波分析[13]㊁支持向量机(S u p p o r tV e c t o rM a c h i n e s,S V M)[14]㊁地理探测器等,其中地理探测器是一种用于探测空间分异性,不必遵循传统统计方法的线性假设,是揭示自变量对因变量影响机制的模型,在土地利用㊁植被生态方面受到学者关注,得到广泛应用[15-16]㊂陕西是黄河和秦岭国家生态保护战略的重点区,作为天然保护林及退耕还林等生态工程的重要实施地区和植被恢复明显的典型省级区域,地跨毛乌素沙地㊁黄土高原㊁关中平原㊁秦巴山地,地貌类型复杂多样,南北自然条件迥异,水土流失㊁沙化等环境问题主444水土保持研究第31卷导因素不同[17]㊂不同地区的植被覆盖空间差异显著,对气候因子的响应也有所不同,因此多年来对陕西省植被变化及其影响的研究备受关注㊂但已有研究多以全省或单独以毛乌素沙地㊁黄土高原㊁关中平原㊁秦岭山区等作为研究区[17-22],基于分区,对陕西不同区域的综合对比分析未开展深入研究,且多从降水与气温均值的角度加以分析,未能进一步分离量化各气候因子的贡献㊂鉴于此,本研究基于MO D I S N D V I㊁年均高温㊁年均低温㊁年均温㊁年总降水量等数据,运用T h e i l-S e n M e d i a n趋势㊁偏相关分析㊁地理探测器等方法,结合不同地貌单元生态系统特征,分离相关因素,探究2000 2020年期间陕西省植被N D V I时空变化及其与气候因子的时间响应关系㊂旨在明确陕西省近20年来植被N D V I的变化趋势,该种趋势是否在不同地貌单元存在显著变化植被对气候因子如何响应,这种关系在不同地貌单元上有何规律和差异? 1研究区与研究数据1.1研究区概况陕西省位于105ʎ29' 111ʎ15'E,31ʎ42' 39ʎ35'N,总面积2.056ˑ105k m2,处于长江和黄河中游地区,主要有高原㊁山地㊁平原和盆地等多种地形,地势南北高㊁中间低㊂陕西省南北气候差异较大,横跨3个气候带,陕北北部长城沿线属中温带气候,陕南属北亚热带气候,关中及陕北大部分属暖温带气候(图1)㊂全省年平均气温为9~16ħ,自南向北㊁自东向西递减,全省年平均降水量为340~1240mm,降水量南多北少,陕南为湿润区,关中为半湿润区,陕北为半干旱区㊂全省植被类型复杂多样,分布差异大,其中陕北长城以北分布沙生植物,植被稀疏,长城以南的榆林南部及延安北部生长有灌木等植被,水土流失严重,植被覆盖较低,北山山脉分布有落叶阔叶林,植被覆盖较高㊂关中地区分布大量农业植被,城市发展导致植被覆盖较低㊂陕南秦岭主体及其以北分布着以暖温带落叶阔叶林为主的植被,巴山地区分布有常绿阔叶林和落叶阔叶林,植被覆盖状况好㊂1.2研究数据N D V I数据基于MO D I SN D V IMO D13Q1数据产品(h t t p s:ʊa d s w e b.n a s c o m.n a s a.g o v/),通过裁剪㊁镶嵌㊁投影变换㊁重采样,使用最大合成法计算得出逐月植被N D V I,将一年内植被N D V I最大值数据作为年植被N D V I数据,得到2000 2020年陕西省1k m分辨率植被N D V I数据㊂年均高温㊁年均低温㊁年均温及年总降水量数据来源于国家科技基础条件平台 国家地球系统科学数据中心(h t t p:ʊw w w.g e o d a t a.c n)㊂该数据是根据C R U发布全球0.5ʎ气候数据以及W o r l d C l i m发布的全球高分辨率气候数据,通过D e l t a空间降尺度方案在中国地区降尺度生成,并用496个独立气象观测点数据进行验证得到,经格式转换㊁裁剪㊁投影变换得到2000 2020年陕西省1k m分辨率的年均高温㊁年均低温㊁年均温及年总降水量数据,其中年均高(低)温定义为研究区域内每个1k mˑ1k m栅格像元一年内每日最高(低)气温的均值㊂图1研究区概况F i g.1O v e r v i e wo f t h e s t u d y a r e a2研究方法(1)T h e i l-S e n M e d i a n趋势分析+M a n n-K e n-d a l l检验㊂T he i l-S e n M e d i a n趋势分析是一种非参数统计方法,其优点不需要样本遵循特定分布,计算效率高且对异常值不敏感,不会降低其准确性,具有避免测量误差或异常数据的强大能力㊂对不同线性回归模型的比较表明,该方法在小样本的情况下具有显著优势[23]㊂S=M e d i a n(x j-x ij-i),∀j>i(1)式中:S为植被变化的趋势;M e d i a n为中值函数;x i,x j 为第i和第j年的N D V I数据㊂当S>0时,N D V I表现为上升趋势,反之则呈下降趋势㊂M a n n-K e n d a l l (MK)检验是一种非参数检验,这意味着不需要事先假设数据的统计分布,归一化统计量Z主要用于测试时间序列的趋势和显著性,一般认为|Z|ȡ1.96,即通过了显著性检验:公式如下:S=ðt-1tiðtj=i+1si g n(N D V I i-N D V I j)(2)544第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测s i g n (N D V I i -N D V I j )=-1 i f (N D V I i -N D V I j )<00 i f (N D V I i -N D V I j )=01 i f (N D V I i -N D V I j )>0ìîíïïïï(3)v a r (S )=t (t -1)(2t -5)18(4)Z =S -1v a r (S ) S >00 S =0S +1v a r (S ) S <0ìîíïïïïïï(5)(2)偏相关分析㊂本研究采用偏相关分析方法研究年均高温㊁年均低温㊁年均温及年总降水量与N D V I 之间的偏相关程度,主要是将控制其中3个气候因子,只分析一个气候因子与N D V I 的相关程度,偏相关系数的正负表示年均高温㊁年均低温㊁年均温及年总降水量与N D V I 间的正负相关性[24]㊂r i j ,x yz =r i z ,x y z -r i z ,x y r jz ,x y z (1-r i z ,x y )2-(1-r j z ,x y ))2(6)式中:r i j ,z y z 为偏相关系数,r i j ,z y z >0,则呈正相关,r i j ,z y z <0,则呈负相关㊂(3)地理探测器㊂地理探测器(G e o d e t e c t o r )是一个用于空间数据分析的开源统计模型(h t t p:ʊw w w.ge o d e t e c t o r .c n /),是通过空间分层异质性观点来确定两个变量空间分布的相似性[15]㊂地理探测器由因子探测㊁交互探测㊁风险探测和生态探测组成,本研究主要使用前两种功能㊂因子探测用于检测各影响因素对N D V I (Y )的空间异质性的解释程度㊂q =1-1N σ2ðL h=1N h σ2h (7)式中:h =1,2, ,p ㊂L 是变量(Y )或因子(X )的分层;N h 和N 分别是层h 和整个区域的单元数;δ2h 和δ2分别是分层h 和整个区域的(Y )值的方差㊂q 的取值范围为[0,1]㊂q 的值越大,因子(X )对变量(Y )的解释力就越强,q =0意味着两者无关㊂因子交互用来识别两因子是否对因变量Y 有交互作用,即这两个因子共同作用时,是增加还是减少对N D V I 的解释力,交互类型见表1㊂表1 地理探测器因子交互类型T a b l e 1 T y p e s o f ge o d e t e c t o rf a c t o r i n t e r a c t i o n s 交互类型描述非线性减弱 q (X 1ɘX 2)<m i n q (X 1),q (X 2)单因子非线性削弱m i n q (X 1),q (X 2)<q (X 1ɘX 2)<m a x q (X 1),q (X 2)双因子增强 q (X 1ɘX 2)>m a x q (X 1),q (X 2)独立 q (X 1ɘX 2)=q (X 1)+q (X 2)非线性增强q (X 1ɘX 2)>q (X 1)+q (X 2)3 结果与分析3.1 N D V I 时空变化分析3.1.1 N D V I 空间分布特征 由图2可知,陕西省多年N D V I 为0.02~0.96,均值为0.71㊂参照李霞等[16]研究,本研究采用等间隔法,将N D V I 空间分布划分为5个等级:低植被覆盖(0~0.2)㊁中低(0.2~0.4)㊁中植被覆盖(0.4~0.6)㊁中高植被覆盖(0.6~0.8)㊁高植被覆盖(0.8~1.0)㊂全省植被覆盖南高北低,呈现由南部向北部地区逐渐递减㊂陕南秦巴地区植被覆盖主要以高植被覆盖为主,占比88%,其次中高植被覆盖占比11.6%,中等以下植被覆盖占比0.4%㊂关中地区植被覆盖以中高植被覆盖为主,占比50%,其次高植被覆盖占比38.9%,中等及以下植被覆盖占比11.1%㊂陕北植被覆盖低,以中等植被覆盖为主,占比50.4%,其次高植被覆盖占比12.8%,中低及以下植被覆盖占比14.3%㊂全省高植被覆盖区占比44.9%,主要集中分布在秦岭南麓勉县 留坝 太白南 佛坪 洋县 宁陕 镇安 旬阳 白河一带和巴山北麓南郑 镇巴 紫阳 岚皋 平利 镇坪一带,在黄陵和黄龙等地呈零散分布,中高植被区占比26.3%,主要分布在北山山脉一带㊁宝鸡西北部㊁秦岭与关中交界一带㊁秦岭东部;中等植被覆盖区占比22.9%,主要分布陕北长城以南,北山山脉以北;中低及低植被覆盖区占比5.9%,主要在陕北长城沿线以北以及西安城区㊂3.1.2 N D V I 时空动态变化特征 如图3A 所示,总体来看,2000 2020年陕西省N D V I 在时间上呈现出波动增加的趋势,增加速率为5.9%/10a ,N D V I 在0.62~0.76之间波动,各分区在N D V I 增加速率上,陕北地区>关中地区>陕南地区,其中陕北地区N D V I 增加速率为9.7%/10a ,N D V I 在0.41~0.64之间波动,关中地区增加速率为3.6%/10a ,N D V I 在0.67~0.79之间波动,陕南地区增加速率为3.1%/10a㊂2000 2020年陕西省N D V I 在空间上整体以上升为主,变化率在-0.040~0.043/a 之间,平均趋势644 水土保持研究 第31卷为0.006/a(图3B),各分区变化趋势为陕北(0.01/a) >关中(0.004/a)>陕南(0.003/a),主要因为陕北地区植被覆盖基数相对较差,近年来的植被恢复措施效果明显㊂关中地区城市化扩张迅速㊁农业发展良好等多种因素共同导致N D V I发生变化㊂陕南地区植被覆盖现状较好,相比而言N D V I变化速率较慢(图3A)㊂全省有93.3%的区域N D V I呈现增长趋势,其中陕北增长区域占比最大(42.2%),其次为陕南(34.2%)㊁关中(23.6%);全省6.7%的区域N D V I 呈减少趋势,以关中地区为主(74.7%),其次为陕南(18.7%)㊁陕北(6.6%)㊂同时各分区均呈现整体增长的趋势,增长区域陕北(98.9%)>陕南(96.4%)>关中(82.4%),关中地区减少区域在各分区中最大(17.6%),其次为陕南(3.6%)㊁陕北(1.1%)㊂图2陕西省多年植被N D V I值及植被空间分布F i g.2M u l t i-y e a r v e g e t a t i o nN D V I v a l u e s a n d s p a t i a ld i s t r i b u t i o no f ve g e t a t i o n i nS h a a n x i P r o v i n c e图3陕西省及各分区植被N D V I时间变化(A)㊁空间变化趋势(B)及显著性(C)F i g.3T e m p o r a l v a r i a t i o n(A),s p a t i a l t r e n d(B)a n d s i g n i f i c a n c e(C)o f v e g e t a t i o nN D V I i nS h a a n x iP r o v i n c e a n d e a c h s u b r e g i o n i nS h a a n x i P r o v i n c e a n d e a c h s u b z o n e结合MK显著性检验结果,如图3C所示,将N D V I趋势变化划分为严重退化㊁轻微退化㊁稳定不变㊁轻微改善㊁明显改善5个等级㊂全省植被显著改善区域比例达67%,主要分布在陕北和陕南地区,其中陕北占显著改善区域的46%,其次为陕南(33.3%)㊁关中(20.7%),这与陕北大力实施退耕还林还草㊁植被造林等生态恢复工程有着密切的关系,而秦巴山地涵养水源功能较好,对气候适应性较强,受人类活动破坏影响较小,随着退耕还林及天保工程的逐步实施,植被在不断改善,区域生态恢复取得明显效果㊂轻微改善区域占比10.4%,主要零散分布在陕北地区的定边关中㊁渭河沿岸以及陕南秦岭南麓各县,其中关中地区占轻微改善区域比例最大(40.6%),其次为陕南(38.8%),陕北(20.6%),而植被显著退化及轻微退化区域分别占18.2%,2.5%,主要在关中地区(分别占比80%,73.4%),集中分布在西安㊁渭南㊁富平㊁鄠邑㊁泾阳㊁眉县等地,这些区域人口密度较大,生产活动较为频繁,城市建设迅速,大量的农业用地被占用,使得植被覆盖度降低,汉中及安康等城区是陕南人口密度大㊁活动频繁的地区,植被也有所退化㊂3.2气候因子时空变化分析3.2.1气候因子时间动态特征如图4所示,2000 2020年陕西省气温㊁降水在时间上整体呈缓慢变化趋势,气候有暖湿化的可能,2000 2012年全省及各分区年均高温和年均温变化曲线大致相似,2014 2020年年均高温㊁年均低温及年均温变化曲线大致相似,在2013年年均高温突降,而年均温反增,年均低温稍增, 2013年前年均温和年均高温可能关联性较强,而2013年以后年均温和年均高温㊁年均低温关系均较强㊂整个研究期内全省年均高温变化速率为-0.042ħ/10a,年均低温变化速率为0.09ħ/10a,表现为陕南>关中>陕北;年均温变化速率为0.039ħ/10a,表现为关中>陕北>陕南;年总降水量变化速率为5.98mm/10a,表现为陕北>陕南>关中㊂744第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测图4陕西省及各分区年均高温(A)㊁年均低温(B)㊁年均温(C)及年总降水(D)时间变化趋势F i g.4T e m p o r a l t r e n d s i nm e a na n n u a l h i g h t e m p e r a t u r e(A),m e a na n n u a l l o wt e m p e r a t u r e(B),m e a n a n n u a l t e m p e r a t u r e(C)a n d t o t a l a n n u a l p r e c i p i t a t i o n(D)i nS h a a n x i P r o v i n c e a n d t h e s u b-r e g i o n s3.2.2气候因子空间分布及变化趋势3种气候因子高值区在空间分布上较为一致,主要分布在秦岭南麓及关中地区,主要以秦岭为界,低值区主要分布在秦岭地区和陕北地区(图5A,5D,5G)㊂对3种气温因子分别进行趋势分析,全省年均高温变化趋势在-0.010~0.040ħ/a之间,75.2%的区域年均高温呈现降低趋势,主要分布在陕北延安西部㊁关中地区以及陕南汉中盆地等地,通过显著性检验的区域零散分布在秦岭西部及南麓㊂24.8%的区域呈现升高趋势,主要分布在陕北榆林东部及北部和定边等地,且年均高温升高区域基本全部通过显著性检验(图5B,5C)㊂全省年均低温变化趋势在-0.040~0.051ħ/a之间,63.7%的区域年均低温呈现升高趋势,但仅有秦岭西南部通过了显著性检验㊂36.3%的区域年均低温呈现降低趋势,主要分布在延安及关中地区西部,但显著性不强(图5E, 5F)㊂全省年均温变化趋势在-0.05~0.043ħ/a之间, 59.1%的区域年均温呈现降低趋势,主要分布在延安及关中地区西部,但显著性不强,41.95%的区域年均温呈现上升趋势,主要分布在榆林东部及北部和定边等地,显著性不强(图5H,5I)㊂全省年总降水量与N D V I分布相似,陕南地区最高,由南向北逐渐降低,陕北降水最少,主要由于陕北主要为黄土高原㊁毛乌素沙地等,地处干旱半干旱区,全年干旱少雨㊂对其进行趋势分析,全省变化趋势在-5.867~5.566 m m/a之间,70.1%的地区年总降水量呈现出增加的趋势, 29.8%的区域年总降水量呈现出减少的趋势,主要为秦岭地区,但均不显著(图5J,5K,5L)㊂3.3植被N D V I对气候因子的响应3.3.1植被N D V I与气候因子偏相关分析不同地区水热条件不同,植被变化存在空间差异,本文将年均高温㊁年均低温㊁年均温㊁年总降水量作为自变量, N D V I作为因变量,对其进行偏相关分析㊂如图6A所示,N D V I与年均高温的偏相关系数在-0.95~0.84之间㊂全省及各分区N D V I与年均高温整体呈负相关,全省占比为83.8%,各分区占比为陕南(88.3%)>陕北(87.0%)>关中(74.3%)㊂全省16.2%的区域N D V I 与年均高温呈正相关,分布在定边㊁榆阳㊁延长㊁吴堡㊁铜川㊁渭南㊁咸阳㊁宝鸡㊁汉中等地㊂全省及各分区N D V I与年均低温㊁年均温及年降水整体呈正相关(图6B㊁图6C㊁图6D)㊂其中N D V I 与年均低温的偏相关系数在-0.82~0.93之间,全省呈正相关的区域占比为68.2%,各分区占比为陕南(86.3%)>关中(74.5%)>陕北(50.2%),全省与年均温负相关区域占比31.8%;N D V I与年均温的偏844水土保持研究第31卷相关系数在-0.81~0.89之间㊂全省呈正相关的区域占比56.1%,各分区占比为陕北(85.1%)>关中(44.1%)>陕南(31.3%),集中分布在陕北㊁关中北部㊂全省与年均温负相关区域占比43.9%;N D V I与年总降水量的偏相关系数在-0.81~0.84之间㊂全省及呈正相关的区域占比为56.5%,各分区占比为陕北(83.1%)>关中(47.1%)>陕南(32.5%),集中分布在陕北北部及东部㊁关中中部及北部等㊂全省与年总降水量呈负相关区域占比43.5%,集中分布在黄土高原中部㊂图5陕西省年均高温(A,B,C)㊁年均低温(D,E,F)㊁年均温(G,H,I)及年总降水(J,K,L)空间分布及变化趋势F i g.5S p a t i a l d i s t r i b u t i o na n d t r e n d s o f a n n u a l a v e r a g e h i g h t e m p e r a t u r e(A,B,C),a n n u a l a v e r a g e l o wt e m p e r a t u r e(D,E,F),a n n u a l a v e r a g e t e m p e r a t u r e(G,H,I)a n da n n u a l t o t a l p r e c i p i t a t i o n(J,K,L)i nS h a a n x i P r o v i n c e3.3.2 N D V I对降水和气温的响应地理探测器单因子探测结果显示(表2),4种气候因子年均高温(X1)㊁年均低温(X2)㊁年均温(X3)㊁年总降水量(X4)对植被N D V I的贡献(q值)存在明显差异,不同地区的q值也不相同㊂陕西省年总降水量的贡献最大(q=0.778),其次为年均低温㊁年均高温㊁年均温㊂陕北地区的各因子贡献度与陕西省类似,年总降水量贡献最大(q=0.798),然而在关中地区,年均高温对N D V I的贡献最大(q= 0.650)㊂其次为年均温㊁年均低温㊁年总降水量,对于陕南地区,年均高温的贡献最大(q=0.455),其次为年944第2期李霞等:2000 2020年陕西省植被N D V I时空变化及气候因子探测均温,年均低温和年总降水量的贡献较小,且未通过显著性检验(p<0.05)㊂图6陕西省植被N D V I和偏相年均高温(A)㊁年均低温(B)㊁年均温(C)及年降水(D)偏相关系数F i g.6P a r t i a l c o r r e l a t i o n c o e f f i c i e n t s o f v e g e t a t i o nN D V I a n da n n u a l a v e r a g e h i g h t e m p e r a t u r e(A),a n n u a l a v e r a g el o wt e m p e r a t u r e(B),a n n u a l a v e r a g e t e m p e r a t u r e(C)a n da n n u a l t o t a l p r e c i p i t a t i o n(D)i nS h a a n x i P r o v i n c e因子交互结果显示(表3),无论是非线性增强还是双因子增强,降水和气温之间交互均强于气温之间交互㊂对于全省和陕北地区,各交互作用类型相似,年均高温㊁年均低温㊁年均温互相交互时,其作用对N D V I的影响均为非线性增强,交互作用的贡献大于气温因子各自单独作用时的贡献之和,当年均高温㊁年均低温㊁年均温与年总降水量分别交互时,其影响力均为双因子增强,交互作用的贡献均大于各单一因子的贡献㊂在各交互作用中,年均高温ɘ年总降水量的影响力最大㊂全省各交互作用大小为年均高温ɘ年总降水量(0.866)>年均温ɘ年总降水量(0.846)>年均低温ɘ年总降水量(0.829)>年均高温ɘ年均低温(0.810)>年均低温ɘ年均温(0.653)>年均高温ɘ年均温(0.650),气温参与交互增强了降水的贡献㊂陕北地区各交互作用大小为年均高温ɘ年总降水量(0.899)>年均温ɘ年总降水量(0.883)>年均低温ɘ年总降水量(0.860)>年均高温ɘ年均低温(0.806)>年均低温ɘ年均温(0.760)>年均高温ɘ年均温(0.694)㊂陕南地区与全省和陕北地区相反,年均高温㊁年均低温㊁年均温彼此交互时,均为双因子增强,即交互作用的贡献均大于各单一因子的贡献,而与年总降水量交互时,为非线性增强,即交互作用的贡献大于各自单独作用时的贡献之和,同样也是年均高温ɘ年总降水量影响力最大,各交互作用大小为年均高温ɘ年总降水量(0.617)>年均温ɘ年总降水量(0.594)>年均低温ɘ年总降水量(0.586)>年均高温ɘ年均低温(0.549)>年均高温ɘ年均温(0.516)>年均低温ɘ年均温(0.462)㊂关中地区各因子交互作用影响力均为双因子增强,交互作用的贡献均大于各单一因子的贡献,年均温ɘ年总降水量影响力最大,各交互作用大小年均温ɘ年总降水量(0.748)>年均高温ɘ年总降水量(0.741)>年均低温ɘ年总降水量(0.728)>年均高温ɘ年均低温(0.689)>年均高温ɘ年均温(0.679)>年均低温ɘ年均温(0.642)㊂表2单因子探测结果T a b l e2S i n g l e f a c t o r d e t e c t i o n r e s u l t s区域影响因子q值p值陕西省X10.2030*X20.3480*X30.1860*X40.7780*陕北X10.2020*X20.4600*X30.0940.004*X40.7980*关中X10.6500*X20.5240*X30.6140*X40.4670*陕南X10.4550.002*X20.3880.284X30.4220*X40.1210.223注:q值为因子贡献度,*为通过P<0.05显著性检验㊂4讨论植被变化是一个长期复杂的动态过程,受自然和人类活动的共同作用㊂本研究发现,陕西省N D V I 由南至北逐渐降低,整体以改善为主,陕北最为明显,与已有研究较为一致[17-20],降水和气温是影响植被生长的主要因素,多年来气候具有暖湿化的趋势,可能054水土保持研究第31卷有利于植被生长[17,25],另外,陕西省及各分区气候与植被N D V I 变化趋势不同步,一方面,这可能是由于气候变化的影响存在滞后和累计效应[26],另一方面,近年来全省大力实施退耕还林还草㊁天然林保护等生态工程,在一定程度上增加了植被N D V I [7,27]㊂随着 双碳 目标的实施,政府逐步开展国土科学绿化工作,大力进行国家储备林及碳汇林建设,未来植被改善趋势会进一步凸显㊂表3 多因子交互结果T a b l e 3 M u l t i -f a c t o r i n t e r a c t i o n r e s u l t s 区域交互作用交互值影响力X 1ɘX 20.810非线性增强X 1ɘX 30.650非线性增强陕西省X 1ɘX 40.866双因子增强X 2ɘX 30.653非线性增强X 2ɘX 40.829双因子增强X 3ɘX 40.846双因子增强X 1ɘX 20.806非线性增强X 1ɘX 30.694非线性增强陕北X 1ɘX 40.899双因子增强X 2ɘX 30.760非线性增强X 2ɘX 40.860双因子增强X 3ɘX 40.883双因子增强X 1ɘX 20.689双因子增强X 1ɘX 30.679双因子增强关中X 1ɘX 40.741双因子增强X 2ɘX 30.642双因子增强X 2ɘX 40.728双因子增强X 3ɘX 40.748双因子增强X 1ɘX 20.549双因子增强X 1ɘX 30.516双因子增强陕南X 1ɘX 40.617非线性增强X 2ɘX 30.462双因子增强X 2ɘX 40.594非线性增强X 3ɘX 40.586非线性增强长城沿线和毛乌素沙地东南部植被表现出与高温负相关,与低温㊁均温和降水呈正相关,而陕北中南部则与低温和高温呈负相关,一方面,这些区域同属干旱半干旱区,降水相对较为匮乏,植被对降水的需求大,降水成了制约植被生长的重要因素,这与前人研究一致[25,28]㊂另一方面,气候寒冷,积温不足,植被生长需要一定的热量条件,气温的上升,尤其是低温的上升,对该地区的植被生长起到了促进作用[20,29],然而,植被生长有最适范围,超过最适范围会进一步加剧地区土壤蒸发和植被蒸腾,从而造成地表缺水,水土流失加剧,对降水量稀少的干旱半干旱地区的植被生长造成不利作用[26]㊂但是子午岭一带山脉海拔较高,本身植被覆盖相对较高,涵养水源能力较好,与年总降水量呈现微弱的负相关,适宜的光照和气温促进植物光合作用,而温度过高或过低均会抑制植被生长[18,27]㊂在气候因子中,降水对植被的影响最强,并且与气温尤其是与高温交互显著提高了对植被的作用,这与贺军奇等[25]在毛乌素沙地东南部的研究有所差异,可能是因为研究区域以及研究时间尺度不同㊂秦岭及以南大部分地区降水量多,导致了植被对降水的敏感性降低㊂一般而言,对于大多数区域,太阳日照对植被产生影响,一方面降水量的增加意味着日照减少,光合作用减弱,在一定程度上抑制了植被的生长㊂同时该区域海拔高,温度较低,热量成为植被生长的主要限制因素,温度较低时,植被生长不利,温度升高,植被物候提前,生长季延长,植被长势变好与温度继续升高加剧了植被蒸腾,而且植被具有调节温度的作用,植被的增加又会降低局部地表温度,反过来抑制了植被生长[30]㊂因子探测与交互结果显示,年均高温对陕南植被N D V I 的贡献最大(抑制作用),当年均高温和年总降水量的交互时更是增强了年均高温的影响,但是陕南的植被N D V I 呈现增加趋势,说明气候因素对该地区的植被N D V I 影响有限,可能是一些生态工程或措施如退耕还林㊁森林抚育等促进了区域植被生长[11]㊂而关中等地农业发展较好,农业灌溉较为普遍,对天然降水的响应有所减弱,气温因素对植被N D V I 的影响更大,与已有研究类似[21],同时因子探测结果也显示关中气温的贡献大于降水,并且降水和气温的交互增强了气温的影响力㊂尽管陕西省南北差异较大,不同地区的气候对植被的影响程度有所不同,但人类活动对于植被的影响也不容忽视㊂在人类活动和气候因素的共同作用下,陕西省植被发生了显著改变,一些生态政策的实施大大改善了植被状况,然而同时也要注意的是,生态工程实施改善植被的同时,是否也会对当地气候与水资源产生影响[18],因地制宜,科学绿化的生态修复显得尤为重要㊂本文在分析植被N D V I 变化趋势的基础上,通过偏相关分析以及地理探测器量化了陕西省不同地区植被N D V I 对年均高温㊁年均低温㊁年均温㊁年总降水量的响应及其贡献大小,但对人类活动的影响考虑不足,综合考虑自然和人类因素,将代表人类活动的因子纳入研究,量化不同地区不同植被类型N D V I 自然和人类活动贡献及其交互作用,是值得进一步研究的方向㊂154第2期李霞等:2000 2020年陕西省植被N D V I 时空变化及气候因子探测。
豫西山地植被NDVI及其气候响应的多维变化_张静静
豫西⼭地植被NDVI及其⽓候响应的多维变化_张静静地理研究GEOGRAPHICAL RESEARCH 第36卷第4期2017年4⽉V ol.36,No.4April,2017豫西⼭地植被NDVI 及其⽓候响应的多维变化张静静，郑辉，朱连奇，崔耀平，张晓东，叶露培（河南⼤学环境与规划学院，开封475004）摘要：豫西⼭地是秦岭⼭系在河南境内的余脉，处于亚热带向暖温带的过渡区域，是⽓候变化的敏感区。
利⽤S-G 滤波算法重构2000-2013年MODIS-NDVI 时序影像，结合DEM 、⽓温和降⽔数据，运⽤趋势分析、相关性分析等⽅法探讨豫西⼭地NDVI 及其⽓候响应的多维变化。
结果表明：①14年来豫西⼭地NDVI 呈增长态势，增速为0.041/10a 。
NDVI 值随⼭地海拔升⾼先增后降，随坡度增加⽽增⼤，在各坡向的分布相差不⼤。
②植被在<1100m 海拔区恢复概率最⾼，在>1700m 区域退化概率最⾼；在10°~20°坡度区域恢复概率最⾼，在0°~5°区域退化概率最⾼；坡向对植被变化的分异作⽤不明显。
③不同海拔、坡度、坡向上的植被所受影响因素不同，⾼海拔区植被动态主要受降⽔控制；不同坡度上的植被NDVI 与⽓温的相关性均⼤于与降⽔的；在不同坡向上差异不明显。
④崤⼭、熊⽿⼭、伏⽜⼭三⼤⼭脉北坡NDVI 增速均⼤于南坡；北坡植被对降⽔变化较敏感，⽽南坡植被对⽓温变化较敏感。
这些都是在全球变化背景下该区⽣态环境响应的重要信号，反映了过渡带⽣态响应因⼦对⼭地⽣态系统的重要性。
关键词：植被NDVI ；⽓温和降⽔；响应；多维变化；豫西⼭地DOI:10.11821/dlyj2017040141引⾔豫西⼭地地处北亚热带和暖温带过渡带，同时是中国地形由第⼆阶梯向第三阶梯转换的地带，具有多样性的景观特点；其⼭地地理环境特征及垂直带谱结构的研究对于理解⼤尺度地域分异规律具有积极的作⽤[1-4]。
不同土地利用类型下NDVI对气侯因子的响应
不同土地利用类型下NDVI对气侯因子的响应不同土地利用类型下NDVI对气候因子的响应植被覆盖是土地利用类型的重要指标，对环境和生态系统具有重要影响。
近年来，随着遥感技术的发展，可以通过遥感数据获取和分析植被覆盖指标，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）。
NDVI 是一种评估土地植被状况的指数，通过测量不同波段的反射率来计算，被广泛应用于研究植被覆盖变化、生态环境评价等领域。
本文将探讨不同土地利用类型下NDVI对气候因子的响应。
首先分析不同土地利用类型对NDVI的影响。
植被覆盖的茂密程度与土地利用类型密切相关。
例如，森林和草地往往具有较高的植被覆盖率，而城市和荒漠地区则较低。
因此，这些不同土地利用类型的NDVI数值也会有所不同。
通过对不同土地利用类型下NDVI数据的统计分析，可以发现植被覆盖率最高的是森林地区，其次是草地，城市和荒漠地区则处于较低水平。
其次，研究NDVI对气候因子的响应。
气候因子是影响植被生长和发展的主要因素之一。
常见的气候因子包括降水、温度、光照等。
在研究过程中需要分析不同土地利用类型下NDVI与气候因子的关系。
以降水为例，降水是植被生长的重要水源，对NDVI有着显著影响。
分析不同土地利用类型下NDVI和降水数据的相关性，可以发现相对于城市和荒漠地区，森林和草地的NDVI值更受降水影响。
在高降水量的气候条件下，植被覆盖的茂密程度相对增加，对应的NDVI数值也会较高。
此外，温度是另一个重要的气候因子。
植物在一定的温度范围内能够正常生长，超出温度范围则会对植被产生不利影响。
分析不同土地利用类型下NDVI和温度数据的相关性，可以发现相对于城市和荒漠地区，森林和草地的NDVI值更受温度影响。
在合适的温度范围内，植被覆盖率相对较高，对应的NDVI数值也会增加。
光照是影响植被生长的另一个重要因素。
植物通过光合作用进行养分合成和生长发育。
应用多时序特征的哨兵系列影像对南方丘陵区树种识别
第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（４２１６１０５７）㊂第一作者简介：王洁，女，１９９９年１０月生，江西理工大学土木与测绘工程学院，硕士研究生㊂Ｅ－mail：187****9219＠１６３．ｃｏｍ㊂通信作者：李恒凯，江西理工大学土木与测绘工程学院，教授㊂Ｅ－ｍａｉｌ：ｇｉｓｋａｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月１１日㊂责任编辑：王广建㊂应用多时序特征的哨兵系列影像对南方丘陵区树种识别１）王洁㊀李恒凯龙北平张建莹（江西理工大学，赣州，３４１０００）㊀（江西省煤田地质局测绘大队）㊀（江西理工大学）㊀㊀摘㊀要㊀树种分类是森林资源调查和监测的重要工作，杉木和油茶作为袁州区主要经济树种，准确获取树种空间分布信息，对产量估算和资源管理具有重要意义㊂以江西省宜春市袁州区为研究区，试验融合时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）㊁哨兵－２（Ｓｅｎｔｉｎｅｌ－２）等数据，结合中国南方丘陵区树种特点，提取植被指数㊁红边植被指数㊁地形特征和纹理特征等构建特征变量组合，分别利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征重要性排序和特征优选，分析各特征对树种分类的影响㊂结果表明：①在使用光谱特征和植被－水体指数的基础上加入不同特征后，树种分类精度均有提升，其中纹理特征的加入更有利于树种分类㊂②结合随机森林算法和特征权重算法（ＲｅｌｉｅｆＦ）对树种分类的精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１，优于相同特征组下的支持向量机算法和分类回归树算法㊂关键词㊀树种分类；哨兵－１；哨兵－２；特征优选；随机森林；中国南方丘陵分类号㊀Ｓ７７１ＴｒｅｅＳｐｅｃｉｅｓＩｄｅｎｔｉｆｉｃａｔｉｏｎｉｎＳｏｕｔｈｅｒｎＨｉｌｌｙＡｒｅａｓＵｓｉｎｇＳｅｎｔｉｎｅｌＳｅｒｉｅｓＩｍａｇｅｓｗｉｔｈＭｕｌｔｉ⁃ＴｅｍｐｏｒａｌＦｅａｔｕｒｅｓ／／ＷａｎｇＪｉｅ，ＬｉＨｅｎｇｋａｉ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ３４１０００，Ｐ．Ｒ．Ｃｈｉｎａ）；ＬｏｎｇＢｅｉｐｉｎｇ（ＪｉａｎｇｘｉＰｒｏｖｉｎｃｉａｌＣｏａｌＧｅｏｌｏｇｙＢｕｒｅａｕｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇＢｒｉｇａｄｅ）；ＺｈａｎｇＪｉａｎｙｉｎｇ（ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉ⁃ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：６０－６８．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｔａｓｋｉｎｆｏｒｅｓｔｒｅｓｏｕｒｃｅｉｎｖｅｓｔｉｇａｔｉｏｎａｎｄｍｏｎｉｔｏｒｉｎｇ．ＩｎｔｈｅＹｕａｎｚｈｏｕｒｅｇｉｏｎ，Ｃｈｉｎｅｓｅｆｉｒａｎｄｃａｍｅｌｌｉａｏｉｌｔｒｅｅｓｔａｎｄｏｕｔａｓｔｈｅｐｒｉｍａｒｙｅｃｏｎｏｍｉｃｔｒｅｅｓｐｅｃｉｅｓ．Ａｃｃｕｒａｔｅｌｙｏｂｔａｉｎｉｎｇｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎ⁃ｆｏｒｍａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｙｉｅｌｄｅｓｔｉｍａｔｉｏｎａｎｄｒｅｓｏｕｒｃｅｍａｎａｇｅｍｅｎｔ．ＴａｋｉｎｇｔｈｅｓｔｕｄｙａｒｅａｏｆＹｕａｎｚｈｏｕＤｉｓｔｒｉｃｔ，ＹｉｃｈｕｎＣｉｔｙ，ＪｉａｎｇｘｉＰｒｏｖｉｎｃｅ，ｔｈｅｅｘｐｅｒｉｍｅｎｔｆｕｓｅｄｔｈｅｄａｔａｏｆｔｉｍｅ－ｓｅｒｉｅｓＳｅｎｔｉｎｅｌ－１（Ｓｅｎｔｉｎｅｌ－１）ａｎｄＳｅｎｔｉｎｅｌ－２（Ｓｅｎｔｉｎｅｌ－２），ａｎｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｔｒｅｅｓｐｅｃｉｅｓｉｎｔｈｅｓｏｕｔｈｅｒｎｈｉｌｌｙａｒｅａｓｏｆＣｈｉ⁃ｎａ，ａｎｄｅｘｔｒａｃｔｅｄｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ｔｈｅｒｅｄ⁃ｅｄｇｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｅｓ，ｔｈｅｔｏｐｏｇｒａｐｈｉｃｆｅａｔｕｒｅｓａｎｄｔｈｅｔｅｘｔｕｒａｌｆｅａｔｕｒｅｓｔｏｃｏｎｓｔｒｕｃｔｔｈｅｃｏｍｂｉｎａｔｉｏｎｓｏｆｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｒｉａｂｌｅｓ．Ｔｈｅｆｅａｔｕｒｅｉｍｐｏｒｔａｎｃｅｒａｎｋｉｎｇａｎｄｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｗｅｒｅｐｅｒ⁃ｆｏｒｍｅｄｕｓｉｎｇｔｈｅＳＥａＴＨｍｅｔｈｏｄａｎｄｔｈｅＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｉｍｐａｃｔｏｆｅａｃｈｆｅａｔｕｒｅｏｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉ⁃ｆｉｃａｔｉｏｎｗａｓａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔ：（１）Ｔｈｅａｄｄｉｔｉｏｎｏｆｄｉｆｆｅｒｅｎｔｆｅａｔｕｒｅｓｉｍｐｒｏｖｅｄｔｈｅａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｏｎｔｈｅｂａｓｉｓｏｆｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓａｎｄｖｅｇｅｔａｔｉｏｎ⁃ｗａｔｅｒｉｎｄｅｘ，ｗｉｔｈｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｂｅｉｎｇｍｏｒｅｂｅｎｅｆｉｃｉａｌｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ．（２）ＴｈｅｃｏｍｂｉｎａｔｉｏｎｏｆＲａｎｄｏｍＦｏｒｅｓｔａｌｇｏｒｉｔｈｍａｎｄＲｅｌｉｅｆＦａｌｇｏｒｉｔｈｍａｃｈｉｅｖｅｄｔｈｅｈｉｇｈｅｓｔａｃ⁃ｃｕｒａｃｙｉｎｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ８５．３３％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．８１，ｏｕｔｐｅｒｆｏｒｍｉｎｇＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅａｌｇｏｒｉｔｈｍａｎｄＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄＲｅｇｒｅｓｓｉｏｎＴｒｅｅａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｓａｍｅｆｅａｔｕｒｅｓｅｔ．Ｋｅｙｗｏｒｄｓ㊀Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎ；Ｓｅｎｔｉｎｅｌ－１；Ｓｅｎｔｉｎｅｌ－２；Ｆｅａｔｕｒｅｏｐｔｉｍｉｚａｔｉｏｎ；Ｒａｎｄｏｍｆｏｒｅｓｔ；Ｃｈｉｎａｓｏｕｔｈ⁃ｅｒｎｈｉｌｌｓ㊀㊀森林生态系统变化的长期调查监测与评价是实现经济㊁社会与环境和谐快速发展的保障［１］㊂中国南方丘陵地区位于秦岭－淮河以南㊁青藏高原以东的山地和丘陵分布区，区域内森林资源丰富，植被覆盖面积广㊁林分结构复杂㊁地形破碎，传统的森林资源调查方法成本高㊁周期长㊂通过遥感影像能快速㊁准确地进行树种识别和分类，已有多种类型遥感影像应用于树种识别和监测［２－５］㊂利用时序遥感影像提取和分析植被物候信息，能够准确的反映植被生长过程中明显的季节周期性变化，进而提升树种分类的效果［６－７］㊂近年来，欧洲空间局（ＥＳＡ）哥白尼计划发布的哨兵－２（Ｓｅｎｔｉｎｅｌ－２）时间序列影像数据，为树种分类提供了具有高空间分辨率的数据源㊂其红边㊁近红外和短波红外等波段提供了多种光谱信息，在树种识别研究中具有巨大潜力［８］㊂然而，在大尺度多云雨的南方丘陵地区，光学影像数据的获取极易受到限制㊂合成孔径雷达（ＳＡＲ）具有全天时㊁全天候等特点，雷达后向散射系数能够提供不同于光学影像的信息，包括植被的含水量㊁土壤含水量以及地表的几何特征等，广泛用于植被监测及分类㊂杨丹等［９］利用时序哨兵－１（Ｓｅｎｔｉｎｅｌ－１）数据和深度循环网络方法对植被进行分类制图，总体精度为８２％㊂为了提高树种分类精度，将光谱数据和其它数据相结合，发现对树冠形状不同的树种，纹理特征具有重要作用［１０］㊂不同空间分布的树种的地形特征也有所不同，地形特征对地形复杂区域树种的提取也具有重要作用［１１］㊂黄翀等［１２］利用Ｓｅｎｔｉｎｅｌ－２和Ｓｅｎｔｉｎｅｌ－１对人工林进行分类，总体精度为８５％，验证了纹理特征㊁后向散射特征在树种精细分类上的能力㊂Ｍａｅｔａｌ．［１３］通过实验证明地形特征能提高树种提取精度㊂因此，利用雷达㊁光学影像数据和地形数据提取不同树种特征，可实现多源遥感互补［１４］㊂除影像数据外，算法也是影响树种分类精度的重要因素，遥感数据和机器学习的结合已成为树种分类的主要方法㊂Ｗａｎｇｅｔａｌ．［１５］使用随机森林（ＲＦ）算法结合多时相㊁多特征Ｓｅｎｔｉｎｅｌ－２数据对长白山树种进行分类，总体精度为９９．７９％；Ｈｕｅｔａｌ．［１６］采用支持向量比（ＳＶＭ）算法应用多源遥感数据对树种进行分类，总体精度为８９％；Ｃｈｅｎｅｔａｌ．［１７］采用决策树算法（ＣＡＲＴ）和ＱｕｉｃｋＢｉｒｄ图像进行树种分类，总体精度为８０．５０％㊂表明随机森林算法（ＲＦ）㊁支持向量机算法（ＳＶＭ）㊁决策树算法（ＣＡＲＴ）等机器学习算法均可以用于树种分类㊂本研究以江西省宜春市袁州区为例，结合研究区林地实地调查数据，将时序Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和数字高程模型（ＤＥＭ）数据相结合，提取不同树种特征，利用分离阈值法（ＳＥａＴＨ）和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，通过ＲＦ㊁ＳＶＭ和ＣＡＲＴ分类算法进行对比分析，构建适用于南方丘陵山地的最佳树种分类算法模型，并验证多源数据相结合对大范围树种分类提取的可行性㊂分析适合南方丘陵地区树种分类的最佳特征因子组合，提取不同树种的空间分布信息，提高森林资源调查和监测的时效性㊂１㊀研究区概况袁州区位于中国江西省宜春市西南部，地理坐标位于１１３ʎ５４ᶄ １１４ʎ３７ᶄＥ㊁２７ʎ３３ᶄ ２８ʎ５ᶄＮ，土地总面积２５３２ｋｍ２㊂区域内地貌以山地㊁丘陵为主，地势西高东低，是典型的南方丘陵区㊂气候属亚热带季风湿润性气候，森林资源丰富，植被物种多种多样，森林覆盖率达６０．１５％㊂袁州区主要树种为杉木（Ｃｕｎｎｉｎｇｈａｍｉａｌａｎｃｅｏｌａｔａ）㊁油茶（Ｃａｍｅｌｌｉａｏｌｅｉｆ⁃ｅｒａ）㊁松树（Ｐｉｎｕｓ）等㊂其中，杉木㊁松树和桉树（Ｅｕ⁃ｃａｌｙｐｔｕｓ）并称为中国南方三大用材树种，具有较高的经济价值㊂油茶产业是袁州区的特色优势产业，其产量和面积均位于中国前列㊂根据袁州区林地实地调查数据提取边界，划分区域总面积为２２２１．５ｋｍ２（见图１）㊂本研究采用的行政区划数据来源于全国地理信息资源目录服务系统（ｈｔｔｐｓ：／／ｗｗｗ．ｗｅｂｍａｐ．ｃｎ）㊂２㊀研究方法２．１㊀数据来源与处理本研究所使用的Ｓｅｎｔｉｎｅｌ系列数据来源哥白尼开放存取中心（ｈｔｔｐｓ：／／ｓｃｉｈｕｂ．ｃｏｐｅｒｎｉｃｕｓ．ｅｕ／），Ｓｅｎ⁃ｔｉｎｅｌ－１为干涉宽幅模式（ＩＷ）的地距多视产品（ＧＲＤ），分辨率为１０ｍ，极化方式为ＶＶ＋ＶＨ㊂Ｓｅｎ⁃ｔｉｎｅｌ－２拥有１３个不同空间分辨率的光谱波段，试验选取１０ｍ和２０ｍ空间分辨率波段共１０个㊂数字高程模型（ＤＥＭ）数据下载于地理空间数据云平台（ｈｔｔｐ：／／ｗｗｗ．ｇｓｃｌｏｕｄ．ｃｎ）㊂影像数据采集时间见表１，研究所使用的Ｓｅｎｔｉｎｅｌ－２影像波段信息见表２㊂图１㊀研究区地理位置表１㊀影像数据采集时间表月份哨兵－１哨兵－２１月２０１９－０１－０８㊁２０１９－０１－２０－２月２０１９－０２－０１㊁２０１９－０２－１３－３月２０１９－０３－０９㊁２０１９－０３－２１－４月２０１９－０４－０２㊁２０１９－０４－１４－５月２０１９－０５－０８㊁２０１９－０５－２０－６月２０１９－０６－０１㊁２０１９－０６－１３－７月２０１９－０７－０７㊁２０１９－０７－１９－８月２０１９－０８－１２㊁２０１９－０８－２４－９月２０１９－０９－０５㊁２０１９－０９－１７２０１９－０９－２２１０月２０１９－１０－１１㊁２０１９－１０－２３２０１９－１０－０２１１月２０１９－１１－０４㊁２０１９－１１－１６２０１９－１１－０１１２月２０１９－１２－１０㊁２０１９－１２－２２２０１９－１２－０６表２㊀本研究使用的哨兵－２波段信息波段中心波长／ｎｍ分辨率／ｍＢ２（蓝光波段）㊀４９０１０Ｂ３（绿光波段）５６０１０Ｂ４（红光波段）６６５１０Ｂ５（红边波段１）７０５２０Ｂ６（红边波段２）７４０２０Ｂ７（红边波段３）７８３２０Ｂ８（近红外波段）８４２１０Ｂ８ａ（狭窄近红外波段）８６５２０Ｂ１１（短波红外１）１６１０２０Ｂ１２（短波红外２）２１９０２０㊀㊀Ｓｅｎｔｉｎｅｌ－１数据通过轨道校正㊁热噪声去除㊁辐射定标㊁滤波㊁地形校正和分贝化处理将其转化为后向散射系数图，最后进行裁剪得到研究区雷达影像㊂１６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别Ｓｅｎｔｉｎｅｌ－２数据通过大气校正，将其从Ｌ１Ｃ级数据转化为Ｌ２Ａ级别数据，剔除６０ｍ分辨率波段后，将２０ｍ分辨率波段重采样至１０ｍ分辨率，最后进行裁剪拼接㊂ＤＥＭ数据经过拼接裁剪后重采样至１０ｍ分辨率，并生成地形因子㊂样本点数据来源于２０１９年袁州区林地实地调查数据㊂根据研究区植被覆盖情况，确定分类类别为油茶㊁杉木㊁松树㊁其它树种㊁耕地㊁裸地㊁水体和建设用地等８类㊂根据林地调查图生成油茶㊁杉木㊁松树和其它树种等４类样本随机点，然后通过谷歌地图（ＧｏｏｇｌｅＥａｒｔｈ）高分辨率影像和实地调查数据剔除异常点㊂通过目视解译得到耕地㊁裸地㊁水体和建设用地等４类样本㊂最后得到油茶样本２７１０个㊁杉木样本３１８４个㊁松树样本８１０个㊁其它树种样本２８７３个㊁耕地样本６５８个㊁裸地样本１７７个㊁水体样本１２８个㊁建设用地样本３２１个，按照７ʒ３的比例随机分为训练样本和验证样本㊂利用预处理后的Ｓｅｎｔｉｎｅｌ－１㊁Ｓｅｎｔｉｎｅｌ－２和ＤＥＭ数据提取不同特征㊂在光谱特征㊁水体指数和植被指数的基础上，通过不同的特征组合，构建多特征随机森林树种分类模型，然后分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选，筛选出最佳分类特征组合，然后与ＳＶＭ和ＣＡＲＴ分类算法进行对比分析㊂利用混淆矩阵评估３种算法分类结果，选择最优树种分类模型（见图２）㊂图２㊀技术路线与特征变量组合方案信息２．２㊀树种分类特征提取选取Ｓｅｎｔｉｎｅｌ－２影像的Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）波段作为研究波段，并提取水体指数㊁植被指数和红边指数（见表３）㊂采用灰度共生矩阵（ＧＬＣＭ）提取纹理特征（均值㊁方差㊁同质性㊁对比度㊁差异性㊁熵㊁二阶矩和相关性），为了避免数据冗余，首先对Ｓｅｎｔｉｎｅｌ－２数据进行主成分分析，提取第一主成分数据，根据第一主成分进行纹理特征提取㊂利用ＤＥＭ数据提取高程㊁坡度㊁坡向作为地形特征㊂根据Ｓｅｎｔｉｎｅｌ－１雷达数据提取后采用ＶＶ和ＶＨ双极化方式的后向散射系数（后向散射系数ＶＶ㊁后向散射系数ＶＨ）作为雷达特征㊂共获取适应南方丘陵山区的３５类特征变量［１８］㊂２．３㊀树种分类特征优选综合利用多种特征分类，能够充分利用遥感数据信息，提高树种提取精度㊂但相关性较弱的特征在分类时会造成特征冗余，导致分类精度的降低㊂特征优选的原则是在确保分类精度的前提下使用较２６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷少的特征子集，对特征集进行特征优选能够有效提升分类效率㊂表３㊀各特征变量及表达式特征类型特征变量特征变量的表达式光谱特征光谱波段Ｂ２（蓝光）㊁Ｂ３（绿光）㊁Ｂ４（红光）㊁Ｂ８（近红外）㊁Ｂ８ａ（狭窄近红外）㊁Ｂ１１（短波红外１）㊁Ｂ１２（短波红外２）植被指数比值植被指数（ＩＲＶＩ）ＩＲＶＩ＝Ｂ８ａ／Ｂ４归一化植被指数（ＩＮＤＶＩ）ＩＮＤＶＩ＝（Ｂ８ａ－Ｂ４）（Ｂ８ａ＋Ｂ４）绿通道植被指数（ＩＧＮＤＶＩ）ＩＧＮＤＶＩ＝（Ｂ８ａ－Ｂ３）／（Ｂ８ａ＋Ｂ３）植被差异指数（ＩＤＶＩ）ＩＤＶＩ＝Ｂ８－Ｂ４改良版土壤调整植被指数（ＩＭＳＡＶＩ）ＩＭＳＡＶＩ＝（（２Ｂ８ａ＋１）－（２Ｂ８ａ＋１）２－８（Ｂ８ａ－Ｂ４））／２水体指数归一化水体指数（ＩＮＤＷＩ）ＩＮＤＷＩ＝（Ｂ３－Ｂ８ａ）／（Ｂ３＋Ｂ８ａ）改进归一化水体指数（ＩＭＮＤＷＩ）ＩＭＮＤＶＩ＝（Ｂ３－Ｂ１１）／（Ｂ３＋Ｂ１１）多波段水体指数（ＩＭＢＷＩ）ＩＭＢＷＩ＝２Ｂ３－Ｂ４－Ｂ８ａ－Ｂ１１－Ｂ１２红边特征红边波段（Ｂ）Ｂ５（红边１）㊁Ｂ６（红边２）㊁Ｂ７（红边３）红边归一化植被指数（ＩＲＮＤＶＩ）ＩＲＮＤＶＩ＝（Ｂ５－Ｂ４）／（Ｂ５＋Ｂ４）红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）ＩＲＥＤＮＤＶＩ＝（Ｂ８ａ－Ｂ５）／（Ｂ８ａ＋Ｂ５）改良红边土壤调整植被指数（ＩＭＳＲｒｅ）ＩＭＲｒｅ＝（（Ｂ８ａ／Ｂ５）－１）／（Ｂ８ａ／Ｂ５）＋１红边叶绿素指数（ＩＣＩｒｅ）ＩＣＩｒｅ＝（Ｂ８ａ／Ｂ５）－１２．３．１㊀分离阈值法的特征优选分离阈值法（ＳＥａＴＨ）采用贾弗里斯松下距离（ＪＭ）［１９］对类间可分性进行分析，并确定最佳特征组合㊂ＪＭ距离的计算公式如下：㊀㊀Ｂ＝１８（ｍ１－ｍ２）２２σ２１＋σ２２＋１２ｌｎ（σ２１＋σ２２２σ１σ２）；㊀㊀Ｊ＝２（１－ｅ－Ｂ）㊂式中：ｍ１和ｍ２分别为两个类别的特征均值；σ１和σ２分别为两类别特征值的标准差；Ｂ为巴氏距离；Ｊ为样本间的分离度，Ｊ值范围为［０，２］，数值越大，代表类间可分性越好㊂２．３．２㊀ＲｅｌｉｅｆＦ算法的特征优选Ｋｉｒａｅｔａｌ．［２０］提出的特征权重算法（Ｒｅｌｉｅｆ）通过赋予每个特征的权重判断特征的重要性，但特征权重算法只适用于二分类的特征选择㊂Ｋｏｎｏｎｅｎｋｏ［２１］在其基础上提出了多类特征选择的ＲｅｌｉｅｆＦ特征权重算法，特征权重算法在处理多类问题时，每次从训练集Ｄ中随机抽取一个样本Ｒ，然后从该样本的同类样本集中选择ｋ个最近邻样本Ｈｊ（Ｃ）（ｊ＝１㊁２㊁ ㊁ｋ），从样本的每个不同类样本集中选择ｋ个最近邻样本Ｍｊ（Ｃ）（ｊ＝１㊁２㊁ ㊁ｋ），分别计算样本Ｒ与同类和不同类样本的距离和，然后根据距离更新特征权重（ＷｉＡ）㊂权重计算公式如下：㊀ＷｉＡ＝Ｗｉ－１Ａ－ðｋｊ＝１ｄＡ（Ｒ，Ｈｊ（Ｃ））ｍｋ＋ðＣʂｃｌａｓｓ（Ｒ）ｐ（Ｃ）１－ｐ（ｃｌａｓｓ（Ｒ））ðｋｊ＝１ｄＡ（Ｒ，Ｍｊ（Ｃ））ｍｋ㊂式中：Ａ为某个分类特征；Ｃ为样本类别；ｃｌａｓｓ（）为与Ｒ不同的样本类别；ｄＡ（）为２个样本在特征上Ａ的距离；Ｈｊ（Ｃ）为样本Ｒ最邻近的同类样本；Ｍｊ（Ｃ）为样本Ｒ最邻近的不同类样本；ｐ（）为某类样本在训练集Ｄ中所占比例；ｍ为迭代次数；ｉ为权重更新时当前迭代次数（ｉ＝１㊁２㊁ ㊁ｍ）；ｋ为最邻近样本个数㊂２．４㊀树种分类算法随机森林算法（ＲＦ）是以决策树为基本分类器的集成学习算法，适用于高维遥感数据集，比其它机器学习算法更加高效和低成本［２２－２３］㊂ＲＦ还可以解决过拟合的问题，适用于时间序列遥感林地植被分类［２４］；支持向量机算法（ＳＶＭ）是将非线性分类问题转化为高维线性问题，并在高维特征空间中构造线性判别函数，同时引入核函数减少运算量；分类回归树算法（ＣＡＲＴ）是通过对由测试变量和目标变量构成的训练数据集的循环分析形成二叉树形式的决策树，ＣＡＲＴ算法生成的决策树没有人工干预，减少了主观误差㊂２．５㊀树种分类精度评价为评估树种分类的准确性，本研究利用混淆矩阵和验证样本对树种分类结果进行精度验证，精度评价指标为用户精度（ＵＡ）㊁生产者精度（ＰＡ）㊁总体精度（ＯＡ）和Ｋａｐｐａ系数（ＫＰａ）㊂计算公式如下：㊀㊀㊀㊀ＵＡｉ＝ＮｉｉＮｉ＋；㊀㊀㊀㊀ＰＡｉ＝ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＯＡ＝Ｎｉｉðｋｉ＝１ＮｉｉＮ＋ｉ；㊀㊀㊀㊀ＫＰａ＝Ｎðｋｉ＝１Ｎｉｉ－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉＮ２－ðｋｉ＝１Ｎｉ＋Ｎ＋ｉ㊂３６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别式中：Ｎ为总样本数，ｋ为总类别数，Ｎｉｉ为被分到正确类别的样本数，Ｎ＋ｉ为第ｉ类的真实值，Ｎｉ＋为第ｉ类的预测值㊂３㊀结果与分析３．１㊀树种光学和雷达特征由表４可知，各树种９ １２月归一化植被指数（ＮＤＶＩ）均值，整个时间段内变化趋势基本相同，均呈下降趋势，归一化植被指数值为０．４ ０．６，树种分离程度不明显，原因是油茶㊁杉木㊁松树都属于常绿树种㊂表５展示了不同树种在各光谱特征下的像元均值，树种在光谱特征上没有明显差异，仅松树和油茶在比值植被指数和红边叶绿素指数上与其它植被有所区分㊂表４㊀不同时间各树种归一化植被指数树种各树种归一化植被指数均值９月２２日１０月２日１１月１日１２月６日杉木０．５８４０．５６７０．５２８０．５１１松树０．５２６０．５１００．４７４０．４６７油茶０．５０５０．４８２０．４４５０．４１９其他树种０．５７７０．５４８０．５１３０．４８２表５㊀不同树种光谱特征光谱特征不同树种光谱特征的像元均值杉木松树油茶其他树种蓝色（Ｂ２）０．０２６０．０２６０．０３４０．０２４绿色（Ｂ３）０．０４９０．０５１０．０６００．０４４红色（Ｂ４）０．０３００．０３００．０４７０．０２９近红外（Ｂ８）０．２９５０．２５５０．２８５０．２６９狭窄近红外（Ｂ８ａ）０．３０５０．２６６０．２９９０．２８１短波红外１（Ｂ１１）０．１４７０．１２５０．１８８０．１５９短波红外２（Ｂ１２）０．０６７０．０５８０．０９８０．０７４比值植被指数（ＩＲＶＩ）３．８９５３．２３５３．１９１３．７７７归一化植被指数（ＩＮＤＶＩ）０．５８４０．５２６０．５０５０．５７７绿通道植被指数（ＩＧＮＤＶＩ）０．７２５０．６７７０．６７２０．７２４植被差异指数（ＩＤＶＩ）０．２６５０．２２５０．２３８０．２４０改良版土壤调整植被指数（ＩＭＳＡＶＩ）０．４９２０．４２６０．４３９０．４５３归一化水体指数（ＩＮＤＷＩ）－０．７２５－０．６７７－０．６７２－０．７２４改进归一化水体指数（ＩＭＮＤＷＩ）－０．５０２－０．４１４－０．５２５－０．５６４多波段水体指数（ＩＭＢＷＩ）－０．４５１－０．３７７－０．５１２－０．４５４红边１（Ｂ５）０．０８００．０８３０．１０００．０７５红边２（Ｂ６）０．２３５０．２１００．２３２０．２１０红边３（Ｂ７）０．２８２０．２４４０．２７２０．２５５红边归一化植被指数（ＩＲＮＤＶＩ）０．４７４０．４７１０．４０４０．４５０红边近红外归一化植被指数（ＩＲＥＤＮＤＶＩ）０．５８４０．５２５０．５０７０．５７６改良红边土壤调整植被指数（ＩＭＳＲｒｅ）０．９６７０．７９６０．７７５０．９３９红边叶绿素指数（ＩＣＩｒｅ）２．８９５２．２３５２．１９１２．７７７㊀㊀由图３可知，根据Ｓｅｎｔｉｎｅｌ－１雷达数据统计不同树种在对应日期ＶＶ和ＶＨ极化下的树种时序后向散射系数曲线㊂不同植被全年时序后向散射特征与植被的生长物候和形态相关，所有树种在两种极化下的后向散射系数变化趋势基本相同㊂ＶＶ极化下，其它树种在６月中旬左右后向散射强度明显升高，其后向散射强度全年高于其它植被；１ ９月松树后向散射强度持续低于其它植被，杉木后向散射强度在１２月呈现同其它植被不同的下降趋势㊂ＶＨ极化下，油茶ＶＨ极化后向散射强度全年低于其它植被，２月左右出现明显增幅和减幅，９月末到１２月初出现明显减幅，１２月松树和杉木呈现同其它植被不同的下降趋势㊂图３㊀树种ＶＶ／ＶＨ极化时序特征曲线通过对不同特征变量的叠加分析，可以近似分离出不同树种，雷达数据弥补了光学影像的不足，结合光学和雷达数据可以增强对树种的识别能力和提高分类精度㊂３．２㊀南方丘陵山区树种特征优选结果本研究分别利用分离阈值法和特征权重算法（ＲｅｌｉｅｆＦ）对所构建的树种分类特征集进行特征优选㊂树种分类特征集共１７１个特征变量，通过试验获取样本的特征均值和标准差，根据公式计算树种之间的分离度，计算单个特征的巴氏距离以及同类特征巴氏距离的均值㊂同类特征中选取高于均值的特征，完成同类特征优选㊂由表６可知，利用特征权重算法（ＲｅｌｉｅｆＦ）进行特征优选及排序，排名前１５和后１５的特征，根据重要性对特征进行排序分组，并利用随机森林算法进行分类，共分为７组㊂由表７可知，分类精度随着分类特征的增加呈先上升后下降的趋势，第５组分类精度最高，因此选取第５组作为特征权重算法（ＲｅｌｉｅｆＦ）最优特征集㊂３．３㊀南方丘陵山区树种分类精度评价由表８可知，方案１仅使用光谱特征㊁植被指数和水体指数，分类结果总体精度为８０．９７％㊂在方案１的基础上分别加入红边特征㊁雷达特征㊁地形特征㊁纹理特征，总体精度分别提高了２．７５％㊁２．２６％㊁３．９３％㊁２．８１％㊂方案６融合所有特征后，总体精度提高了２．３５％㊂方案７在方案６的基础上分别利用４６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷分离阈值法与特征权重算法（ＲｅｌｉｅｆＦ）对所有特征进行优选，不仅取得了更高的精度，而且有效降低了数据量，减少了运算时间㊂特征优选后的总体精度比方案６分别提高了１．８９％和２．０１％，其中ＲｅｌｉｅｆＦ算法优选的结果精度最高，总体精度为８５．３３％，Ｋａｐｐａ系数为０．８１㊂表６㊀特征重要性排名排名特征名称重要性㊀１９月２２日红边叶绿素指数０．０４２２２高程（ＤＥＭ）０．０４１５３９月２２日比值植被指数０．０３９９４１０月２日红边叶绿素指数０．０３９８５１０月２日比值植被指数０．０３９６６１１月１日归一化植被指数０．０３９２７１１月１日红边近红外归一化植被指数０．０３９２８１２月６日红边叶绿素指数０．０３９２９１２月６日改良红边土壤调整植被指数０．０３９１１０９月２２日改良红边土壤调整植被指数０．０３８９１１１１月１日改良红边土壤调整植被指数０．０３８７１２１２月６日比值植被指数０．０３７０１３１１月１日红边叶绿素指数０．０３６０１４１２月６日归一化植被指数０．０３５４１５１２月６日红边近红外归一化植被指数０．０３５４１５７４月１４日ＶＨ极化０．００８５１５８１０月２日红光波段０．００８４１５９１０月２日均值０．００８３１６０１２月６日差异性０．００８０１６１１１月１日方差０．００７５１６２９月２２日方差０．００７０１６３１０月２日方差０．００６１１６４９月２２日对比度０．００６１１６５１０月２日绿光波段０．００５４１６６１１月１日均值０．００５４１６７１０月２日对比度０．００５２１６８１１月１日对比度０．００４９１６９１０月２日蓝光波段０．００４８１７０１２月６日对比度０．００２８１７１１２月６日方差０．００１２表７㊀分组情况及分类精度组别分组阈值特征个数随机森林（ＲＦ）分类精度／％１０．０３５１５７１．００２０．０３０３３８０．５９３０．０２５５０８２．５１４０．０２０６５８３．４１５０．０１５８４８５．３３６０．０１０１２６８４．９６７０１７１８４．８７㊀㊀由图４可知，水体在所有方案中都具有较高的分类精度㊂方案２在加入红边特征后，不同树种分类精度均有所提高，证明红边特征的加入有助树种提取；方案３加入雷达特征后树种精度提高，因为雷达波段能够穿透冠层获取树种信息，提高光谱特征相似的树种的类间差异；方案４在加入地形特征后，与其它方案相比杉木和油茶的生产者精度提升最大，南方丘陵山地山体阴影严重，不同树种混合分布㊁相互渗透，很难进行区分，地形特征变量能够有效减少错分概率；方案５加入纹理特征后，树种的分类精度提升没有地形特征高，主要是因为丘陵山区地形破碎㊁植被树冠茂盛，影像上纹理特征不明显，同时油茶在种植初期会和耕地存在误分㊂表８㊀各方案分类精度方㊀案总体精度／％Ｋａｐｐａ系数方案１８０．９７０．７５方案２８３．７２０．７９方案３８３．２３０．７８方案４８４．９００．８０方案５８３．７８０．７９方案６８３．３２０．７８方案７（ＳＥａＴＨ）８５．２１０．８１方案７（ＲｅｌｉｅｆＦ）８５．３３０．８１㊀㊀由表９可知，随机森林算法比支持向量机算法和分类回归树算法总体分类精度分别提高了３．９９％和４．５５％，Ｋａｐｐａ系数分别提高了０．０５和０．０６㊂结合各地物生产者精度，随机森林算法分类的松树生产者精度比分类回归树算法高了１３．７５％，油茶生产者精度比支持向量机算法提高了１０．３４％㊂表９㊀不同分类方法的分类精度分类方法总体分类精度／％Ｋａｐｐａ系数随机森林算法８５．３３０．８１支持向量机算法８１．３４０．７６分类回归树算法８０．７８０．７５㊀㊀由图５可知，杉木和油茶作为袁州区主要树种，大面积混合分布，３种算法结果的树种分布区域大致一样，但某些区域的油茶和松树的提取结果存在明显差异；但对比不同分类方法的局部分类结果（见图６），随机森林算法与支持向量机算法和分类回归树算法相比，随机森林算法降低了分类结果的破碎度㊂４ 讨论准确高效地获取树种的数量和分布信息对于林业的管理和监测至关重要㊂遥感影像为树种调查提供了有力的工具，Ｓｅｎｔｉｎｅｌ数据在树种分类上具有广泛的实用性［１２，２５］，Ｓｅｎｔｉｎｅｌ－２影像的红边㊁近红外（ＮＩＲ）和短波红外（ＳＷＩＲ）波段对于植被分类制图具有重要的作用［６，８，２６］㊂本研究结合Ｓｅｎｔｉｎｅｌ影像和数字高程模型（ＤＥＭ）数据，对南方丘陵山区的树种识别，结果发现重要性排名前１５个特征中，红边特征所占比例最大，红边叶绿素指数在树种分类中５６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别重要性最高㊂由于光谱特征相似，不同树种间存在不同程度的混淆，仅利用Ｓｅｎｔｉｎｅｌ－２光谱特征㊁植被指数㊁水体指数，树种的识别精度相对较低，将光谱特征与灰度共生矩阵（ＧＬＣＭ）纹理特征结合有效提高了树种分类精度［２７］㊂本研究中纹理特征没有包含在最优特征集中，特征重要性排名中纹理特征处于靠后位置，由于研究区域过大导致细节纹理缺失，同时，树种纹理特征也受研究区地理位置和树种类别影响㊂不同树种受地形因子影响呈现不同的光谱特征，地形特征可有效降低山体效应带来的光谱差异，减少错分概率，地形特征比物候特征和纹理特征对树种分类更准确有效［１５］，地形特征在不同特征融合的南方丘陵山区树种分类中起着重要作用㊂图４㊀各地物生产者精度和用户精度㊀㊀加入雷达特征后，树种分类精度同样有所提升，证实Ｓｅｎｔｉｎｅｌ－１雷达特征能提高树种间的区分度㊂本研究只利用了Ｓｅｎｔｉｎｅｌ－１的雷达后向散射系数，杉木㊁松树㊁油茶都属于常绿树种，物候变化不显著，难以利用遥感提取植被物候［２８］㊂由于雷达数据的特性，Ｓｅｎｔｉｎｅｌ－１数据同样含有丰富的纹理信息，可进一步提高纹理特征对南方丘陵山区树种的分类制图的精度㊂本研究最高准确率为８５．３３％，Ｋａｐｐａ系数为０．８１，仍有提升空间，可利用更有效的辅助数据或先进的深度学习技术，对大面积树种识别监测进行深入研究㊂５ 结论以袁州区为研究区，结合Ｓｅｎｔｉｎｅｌ和数字高程模型（ＤＥＭ）数据提取树种光谱特征㊁植被指数㊁水体指数㊁红边特征㊁雷达特征㊁地形特征和纹理特征，分别采用特征权重算法（Ｒｅｌｉｅｆ）和分离阈值法进行特征优选，通过不同特征组合对比，分析各特征对树种分类精度的影响，利用３种常用树种分类机器学习算法对最优特征集进行树种分类㊂树种在不同特征上具有一定差异性，可通过特征优选选取树种分类的有效特征，通过特征优选，能够在保证分类精度６６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的同时减少数据冗余，提高运算效率和精度㊂根据最优特征集分别使用３种机器学习算法（随机森林㊁支持向量机和回归决策树）对树种进行分类，随机森林算法分类精度最高，总体精度为８５．３３％㊂Ｓｅｎｔｉｎｅｌ影像和ＤＥＭ数据的结合应用可提高树种分类的准确性，可为南方丘陵山区大范围树种调查监测提供技术方法㊂图５㊀不同分类方法树种分类结果图６㊀不同分类方法的局部分类结果７６第３期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀王洁，等：应用多时序特征的哨兵系列影像对南方丘陵区树种识别参㊀考㊀文㊀献［１］㊀何兴元，任春颖，陈琳，等．森林生态系统遥感监测技术研究进展［Ｊ］．地理科学，２０１８，３８（７）：９９７－１０１１．［２］㊀栗旭升，李虎，陈冬花，等．联合ＧＦ－５与ＧＦ－６卫星数据的多分类器组合亚热带树种识别［Ｊ］．林业科学，２０２０，５６（１０）：９３－１０４．［３］㊀ＱＩＡＮＣ，ＹＡＯＣＪ，ＭＡＨＣ，ｅｔａｌ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕ⁃ｓｉｎｇａｉｒｂｏｒｎｅＬｉｄａｒｄａｔａｂａｓｅｄｏｎｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｅｇｍｅｎｔａｔｉｏｎａｎｄｓｈａｐｅｆｉｔｔｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２３，１５（２）．ｄｏｉ：１０．３３９０／ｒｓ１５０２０４０６．［４］㊀杨丹，李崇贵，常铮，等．应用Ｕ－Ｎｅｔ模型和多时相Ｌａｎｄｓａｔ－８影像对森林植被的分类［Ｊ］．东北林业大学学报，２０２１，４９（９）：５５－５９，６６．［５］㊀郑奕，王瑶，刘艳．基于高光谱数据季相特征的山地草甸植被分类识别［Ｊ］．光谱学与光谱分析，２０２２，４２（６）：１９３９－１９４７．［６］㊀ＰＥＲＳＳＯＮＭ，ＬＩＮＤＢＥＲＧＥ，ＲＥＥＳＥＨ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｗｉｔｈｍｕｌｔｉ－ｔｅｍｐｏｒａｌＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（１１）．ｄｏｉ：１０．３３９０／ｒｓ１０１１１７９４．［７］㊀ＬＥＩＺＬ，ＬＩＨ，ＺＨＡＯＪ，ｅｔａｌ．Ｉｎｄｉｖｉｄｕａｌｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｂａｓｅｄｏｎａｈｉｅｒａｒｃｈｉｃａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｍｕｌ⁃ｔｉｔｅｍｐｏｒａｌｇｏｏｇｌｅｅａｒｔｈｉｍａｇｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（２０）．ｄｏｉ：１０．３３９０／ｒｓ１４２０５１２４．［８］㊀ＩＭＭＩＴＺＥＲＭ，ＶＵＯＬＯＦ，ＡＴＺＢＥＲＧＥＲＣ．ＦｉｒｓｔｅｘｐｅｒｉｅｎｃｅｗｉｔｈＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｃｒｏｐａｎｄｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｓｉｎｃｅｎｔｒａｌＥｕｒｏｐｅ［Ｊ］．Ｒｅｍｏｔｅｓｅｎｓｉｎｇ，２０１６，８（３）．ｄｏｉ：１０．３３９０／ｒｓ８０３０１６６．［９］㊀杨丹，周亚男，杨先增，等．ＬＳＴＭ支持下时序Ｓｅｎｔｉｎｅｌ－１Ａ数据的太白山区植被制图［Ｊ］．地球信息科学学报，２０２０，２２（１２）：２４４５－２４５５．［１０］㊀ＬＩＭＪ，ＫＩＭＫＭ，ＪＩＮＲ．Ｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｈｙｐｅ⁃ｒｉｏｎａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｗｉｔｈｍａｃｈｉｎｅｌｅａｒｎｉｎｇｉｎＳｏｕｔｈＫｏｒｅａａｎｄＣｈｉｎａ［Ｊ］．ＩＳＰＲＳＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＧｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ，２０１９，８（３）．ｄｏｉ：１０．３３９０／ｉｊｇｉ８０３０１５０．［１１］㊀李巧玉，陈娟，张小晶，等．川西亚高山彩叶林群落数量分类㊁排序与物种多样性［Ｊ］．应用与环境生物学报，２０２１，２７（３）：５１９－５２８．［１２］㊀黄翀，张晨晨，刘庆生，等．结合光学与雷达影像多特征的热带典型人工林树种精细识别［Ｊ］．林业科学，２０２１，５７（７）：８０－９１．［１３］㊀ＭＡＭＦ，ＬＩＵＪＨ，ＬＩＵＭＸ，ｅｔａｌ．ＴｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｉｍａｇｅｒｙａｎｄｒａｎｄｏｍｆｏｒｅｓｔｃｌａｓｓｉｆｉｅｒｉｎｔｈｅｅａｓｔｅｒｎｒｅｇｉｏｎｓｏｆｔｈｅＱｉｌｉａｎｍｏｕｎｔａｉｎｓ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２１，１２（１２）．ｄｏｉ：１０．３３９０／ｆ１２１２１７３６．［１４］㊀宁晓刚，常文涛，王浩，等．联合ＧＥＥ与多源遥感数据的黑龙江流域沼泽湿地信息提取［Ｊ］．遥感学报，２０２２，２６（２）：３８６－３９６．［１５］㊀ＷＡＮＧＭＣ，ＬＩＭＪ，ＷＡＮＧＦＹ，ｅｔａｌ．Ｅｘｐｌｏｒｉｎｇｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｂｙｆｕｓｉｎｇｍｕｌｔｉ⁃ｆｅａｔｕｒｅａｎｄｍｕｌｔｉ⁃ｔｅｍｐｏｒａｌｓｅｎｔｉｎｅｌ－２ｄａｔａｉｎＣｈａｎｇｂａｉＭｏｕｎｔａｉｎ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（７）．ｄｏｉ：１０．３３９０／ｆ１３０７１０５８．［１６］㊀ＨＵＢＸ，ＬＩＱ，ＨＡＬＬＧＢ．Ａｄｅｃｉｓｉｏｎ⁃ｌｅｖｅｌｆｕｓｉｏｎａｐｐｒｏａｃｈｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｆｒｏｍｍｕｌｔｉ⁃ｓｏｕｒｃｅｒｅｍｏｔｅｌｙｓｅｎｓｅｄｄａｔａ［Ｊ］．ＩＳＰＲＳＯｐｅｎＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２１．ｄｏｉ：１０．１０１６／ｊ．ｏｐｈｏｔｏ．２０２１．１００００２．［１７］㊀陈丽萍，孙玉军．基于不同决策树的面向对象林区遥感影像分类比较［Ｊ］．应用生态学报，２０１８，２９（１２）：３９９５－４００３．［１８］㊀李恒凯，王利娟，肖松松．基于多源数据的南方丘陵山地土地利用随机森林分类［Ｊ］．农业工程学报，２０２１，３７（７）：２４４－２５１．［１９］㊀ＮＵＳＳＢＡＵＭＳ，ＮＩＥＭＥＹＥＲＩ，ＣＡＮＴＹＭＪ．ＳＥＡＴＨ⁃ａｎｅｗｔｏｏｌｆｏｒａｕｔｏｍａｔｅｄｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｉｎｔｈｅｃｏｎｔｅｘｔｏｆｏｂｊｅｃｔ⁃ｂａｓｅｄｉｍ⁃ａｇｅａｎａｌｙｓｉｓ［Ｃ］／／ＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙｆｏｒＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ．１ｓｔＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＯｂｊｅｃｔ⁃ｂａｓｅｄＩｍａｇｅＡｎａｌｙｓｉｓ（ＯＢＩＡ），Ｓａｌｚｂｕｒｇ，Ａｕｓｔｒｉａ，２００６．［２０］㊀ＫＩＲＡＫ，ＲＥＮＤＥＬＬＬＡ．Ｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｐｒｏｂｌｅｍ：Ｔｒａｄｉ⁃ｔｉｏｎａｌｍｅｔｈｏｄｓａｎｄａｎｅｗａｌｇｏｒｉｔｈｍ［Ｃ］／／ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ．ＡＡＡＩ ９２：Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｔｅｎｔｈｎａ⁃ｔｉｏｎａｌｃｏｎｆｅｒｅｎｃｅｏｎＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅ．ＳａｎＪｏｓｅ：ＡｍｅｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｆｏｒＡｒｔｉｆｉｃｉａｌＩｎｔｅｌｌｉｇｅｎｃｅ，１９９２：１２９－１３４．［２１］㊀ＫＯＮＯＮＥＮＫＯＩ．Ｅｓｔｉｍａｔｉｎｇａｔｔｒｉｂｕｔｅｓ：ＡｎａｌｙｓｉｓａｎｄｅｘｔｅｎｓｉｏｎｓｏｆＲＥＬＩＥＦ［Ｃ］／／ＢＥＲＧＡＤＡＮＯＦ，ＲＡＥＤＴＬＤ．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１９９４ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ．Ｈｅｉｄｅｌｂｅｒｇ：Ｓｐｒｉｎｇｅｒ⁃Ｖｅｒｌａｇ，１９９４：１７１－１８２．［２２］㊀ＢＲＥＩＭＡＮＬ．Ｒａｎｄｏｍｆｏｒｅｓｔ［Ｊ］．ＭａｃｈｉｎｅＬｅａｒｎｉｎｇ，２００１，４５（１）：５－３２．［２３］㊀ＬＩＮＷＹ，ＷＡＮＧＦ，ＣＨＥＮＧＭＭ，ｅｔａｌ．ＣＯＤＥ：Ｃｏｈｅｒｅｎｃｅｂａｓｅｄｄｅｃｉｓｉｏｎｂｏｕｎｄａｒｉｅｓｆｏｒｆｅａｔｕｒｅｃｏｒｒｅｓｐｏｎｄｅｎｃｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，４０（１）：３４－４７．［２４］㊀ＰＡＮＧＺＨ，ＺＨＡＮＧＧ，ＴＡＮＳＱ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｔｈｅａｃｃｕｒａｃｙｏｆｅｓｔｉｍａｔｉｎｇｆｏｒｅｓｔｃａｒｂｏｎｄｅｎｓｉｔｙｕｓｉｎｇｔｈｅｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎｍｅｔｈｏｄ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２２，１３（１２）．ｄｏｉ：１０．３３９０／ｆ１３１２２００４．［２５］㊀ＬＥＣＨＮＥＲＭ，ＤＯＳＴÁＬＯＶÁＡ，ＨＯＬＬＡＵＳＭ，ｅｔａｌ．Ｃｏｍｂｉｎａ⁃ｔｉｏｎｏｆＳｅｎｔｉｎｅｌ－１ａｎｄＳｅｎｔｉｎｅｌ－２ｄａｔａｆｏｒｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａ⁃ｔｉｏｎｉｎａＣｅｎｔｒａｌＥｕｒｏｐｅａｎＢｉｏｓｐｈｅｒｅＲｅｓｅｒｖｅ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓ⁃ｉｎｇ，２０２２，１４（１１）．ｄｏｉ：１０．３３９０／ｒｓ１４１１２６８７．［２６］㊀ＷＥＳＳＥＬＭ，ＢＲＡＮＤＭＥＩＥＲＭ，ＴＩＥＤＥＤ．Ｅｖａｌｕａｔｉｏｎｏｆｄｉｆｆｅｒ⁃ｅｎｔｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｓｃａｌａｂｌｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｒｅｅｔｙｐｅｓａｎｄｔｒｅｅｓｐｅｃｉｅｓｂａｓｅｄｏｎＳｅｎｔｉｎｅｌ－２ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１８，１０（９）．ｄｏｉ：１０．３３９０／ｒｓ１００９１４１９．［２７］㊀ＭＯＨＡＭＭＡＤＰＯＵＲＰ，ＶＩＥＧＡＳＤＸ，ＶＩＥＧＡＳＣ．ＶｅｇｅｔａｔｉｏｎｍａｐｐｉｎｇｗｉｔｈｒａｎｄｏｍｆｏｒｅｓｔｕｓｉｎｇＳｅｎｔｉｎｅｌ２ａｎｄＧＬＣＭｔｅｘｔｕｒｅｆｅａｔｕｒｅ：ＡｃａｓｅｓｔｕｄｙｆｏｒＬｏｕｓãＲｅｇｉｏｎ，Ｐｏｒｔｕｇａｌ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（１８）．ｄｏｉ：１０．３３９０／ｒｓ１４１８４５８５．［２８］㊀崔林丽，史军，杜华强．植被物候的遥感提取及其影响因素研究进展［Ｊ］．地球科学进展，２０２１，３６（１）：９－１６．８６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷。
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
- 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)。
第36卷第8期2014年8月2014，36（8）：1712-1723Resources ScienceVol.36，No.8Aug.，2014收稿日期：2013-12-25；修订日期：2014-05-14基金项目：国家自然科学基金：“基于样地观测与尺度转换的喀斯特区植被碳空间分异研究”（编号：31370484）；全国生态环境十年（2000-2010年）变化遥感调查与评估：“南方丘陵山地带生态环境调查与评估”（编号：STSN-09-05）。
作者简介：王静，女，河南焦作人，硕士生，从事区域与景观生态研究。
E-mail ：wangxiaojing.1126@ 通讯作者：王克林，E-mail ：kelin@文章编号：1007-7588（2014）08-1712-12南方丘陵山地带NDVI 时空变化及其驱动因子分析王静1，2，3，王克林1，2，张明阳1，2，段亚锋4（1.中国科学院亚热带农业生态研究所亚热带农业生态过程重点实验室，长沙410125；2.中国科学院环江喀斯特农业生态系统观测研究站，环江547100；3.中国科学院大学，北京100049；4.长沙市环境监测中心站，长沙410000）摘要：本文利用MODIS 归一化植被指数（Normailized Difference Vegetation Index ，NDVI ）数据对南方丘陵山地带2000-2010年间植被覆盖的年际动态、季相变化和空间差异进行研究，并结合气象因子和土地利用/覆被数据分析植被覆盖变化的原因。
研究表明：南方丘陵山地带植被NDVI 值较高，属高植被覆盖区。
2000-2010年间植被NDVI 整体呈上升趋势，但并不显著（p =0.45）。
从不同植被类型的季相变化来看，草地的变化幅度最大，其次为灌丛，森林植被变化幅度最小，生长峰值主要出现在8、9月份。
植被覆盖变化存在显著的空间差异，封山育林、退耕还林还草生态恢复区和石漠化综合治理区的植被覆盖度显著提高，城镇化迅速发展区植被明显退化。
植被覆盖变化是气候和人类活动共同作用的结果。
植被覆盖年际变化与气候因子年际变化的相关系数区域分异比较明显。
降水量对植被覆盖的影响主要表现在对植被生长年内变动的控制，大部分植被生长对降水存在1个月滞后现象。
农业生产的提高、城市化进程的加速及生态建设的重视等人类活动是影响植被覆盖变化空间差异的另一重要因素。
关键词：NDVI ；植被覆盖；气候变化；土地利用变化；南方丘陵山地带1引言植被作为陆地生物圈的重要组成部分，在生态系统中的作用日益受到重视。
在全球变暖的形势下，越来越多的科学研究开始关注植被对全球变化的响应[1-6]。
气候因子，土地利用变化，CO 2的施肥效应等对植被均有不同的影响[7]，其中温度和降水直接影响着植物的生长[8]。
地表植被覆盖，尤其是植被的动态变化，对全球能量循环及物质生物化学循环具有重要的影响。
动态监测覆盖的时空变化，对深入研究植被与气候变化和人类活动之间的响应关系、揭示区域环境状况的演化与变迁等具有现实意义[9]。
归一化植被指数（Normalized Difference Vegetation Index ，NDVI ）是目前最为常用的表征植被状况的指标，可以较准确地反映植被的覆盖程度、生长状况、生物量等。
NDVI 多时相的遥感数据记录了植被状况的变化，为大面积监测植被的演化过程以及动态驱动因子的研究提供了技术上的可行性，因而被广泛应用于大尺度植被活动状况的研究[10-20]。
诸多学者对于我国陆地植被NDVI 动态对气候变化的响应做了大量的研究[21-26]，植被覆盖与温度、降水等密切相关，且对气象因子的响应具有显著的空间差异。
有关国内学者在分析植被覆盖变化时，对气象变化因子考虑较多，但结合城镇化建设、生态工程实施等人类活动因子的相关研究较少，这在一定程度上影响了驱动机制分析的客观性。
南方丘陵山地带作为国家主体生态功能区划中的“两屏三带”国家生态安全格局中的重要组成部分，其主要功能是发挥华南和西南地区生态安全屏障作用。
同时作为长江流域与珠江流域的分水岭及源头区，对长江流域与珠江流域的主体功能的发挥也有至关重要的作用。
自1999年国家退耕还林还草、石漠化综合治理生态工程实施、生态移民及外出打工人员增加，该区域土地利用格局发生了重大转变。
但目前为止针对该区域的相关研究还2014年8月王静等：南方丘陵山地带NDVI时空变化及其驱动因子分析十分匮乏。
本文在该背景下对南方丘陵山地带植被覆盖时空变化进行分析，并在此基础上探讨气象因子和人类活动对植被动态变化的影响，以期深入了解南方丘陵山地带的植被覆盖特点及其变化的驱动因素，为研究区生态建设评估和环境保护提供理论依据和科学数据。
2研究区概况南方丘陵山地带地域辽阔，东西跨15个经度（102°45′E-117°08′E），南北跨6个纬度（22°45′N-27°14′N），涉及6个省（江西、湖南、广东、广西、贵州和云南部分地区），含114个县。
地势大致西高东低，北高南低，高程在-25~3040m之间。
属亚热带季风气候，年平均气温在19~19.8℃，年均降水在1000mm以上。
该区主要植被类型和面积百分比分别为（2010年解译数据）：亚热带常绿阔叶林（24.94%）、亚热带针叶林（28.33%）、混交林（3.2%）、温带阔叶/针叶林（2.33%）、亚热带灌丛（12.07%）、亚热带草地（6.53%）、耕地（17.87%）（图1，见下页）。
3数据来源与研究方法3.1数据来源及预处理遥感数据来自美国国家航空航天局（NASA）的数据信息服务中心（DISC）提供的MODIS数据产品NDVI数据（MOD13Q1）（http：//modis.gsfc.nasa. gov）。
其空间分辨率250m×250m。
时间分辨率为16天，时间序列为2000年2月至2010年12月。
NDVI是基于植被在红光波段的强吸收和近红外波段的强反射实现对植被信息状态的表达。
图像预处理包括大气校正、辐射校正、格式和投影转换，以及利用最大合成法（MVC）将原来16天的NDVI合成为月均值，获得逐月数据集。
气象数据来源于中国气象科学数据共享服务网（http：//）的该区62个站点的月均气温和月总降水量，包括研究区内（29个）和周边（33个），选取周边气象站点是为了提高空间插值的精度。
植被分类数据来自全国生态环境10年变化评估数据库系统网，全国生态屏障区生态系统分类数据（http：///listdatabase.shtml?id= 6），其空间分辨率为30m，数据时间为2000年、2005年及2010年。
经重采样提取了250m分辨率的三期植被数据。
3.2研究方法首先，将重采样的植被类型图在原分类基础上合并成7类，即亚热带常绿阔叶林、亚热带针叶林、混交林、温带阔叶/针叶林、亚热带灌丛、亚热带草地、耕地。
为排除人文管理对气象因子敏感性分析的影响，本研究在对植被覆被与气象因子相关性分析中去除了耕地；其次，以分辨率为90m的数字高程模型（DEM）为基础，将研究区及周边气象站点逐月的气温和降水量数据采用薄盘光滑样条法[27]进行插值（图2，见下页）。
然后，对预处理过的NDVI在月均值的基础上提取每个像元12个月中出现的最大NDVI（NDVI max）。
NDVI max可代表一年中总的生物量生产，可分析生物量的空间分布。
以上所有空间数据转化为统一的阿尔伯斯等面积投影，空间分辨率250m。
为研究2000-2010年南方丘陵山地带植被覆盖变化及其变化在空间上的差异，对2000-2010年每个像元的NDVI max与年份进行回归来分析植被生长状况的变化趋势。
为了验证不同植被类型NDVI max与气温、降水量变化的相关性，在matlab中计算了逐个像元的气候因子年际变化率及NDVI max年际变化与温度、降水量年际变化的相关系数。
4结果与分析4.1植被NDVI的年际变化年均最大NDVI值（NDVI max）是影像中各个像元年最大NDVI值的平均值，可作为表征植被生长状况指标分析研究区植被覆盖的年际变化。
研究区2000-2010年间NDVI max都在0.83以上（图3）。
从年际变化来看，研究区NDVI max处于相对稳定状态，但图32000-2010年南方丘陵山地带年均最大NDVI时间动态变化Fig.3Variations of annual maximum NDVI from2000to2010in hilly terrain of southern China1713第36卷第8期资源科学也有小幅度升降变化：2000-2003年连续增长，2004年和2005年相继下降，2006年上升并至2010年波动较小。
2000-2010年间空间变化整体上呈上升趋势，但并不显著（p =0.45）。
2000-2010年间，占研究区面积71.9%的地区NDVI max 呈增加趋势，其中7.3%的地区增加趋势显著（p <0.05）（图4）。
主要为云南省的丘北县、砚山县、文山州及贵州省境内的黔西南州，中部地区湖南的永州市和广西省的全州县、鹿寨县、恭城，东部江西省的信丰和广东省的五华县、丰顺县、大埔县及梅县。
这些地区主要是林地自然生长地区、耕地转为林地、裸岩裸地转为林地、草地等土地利用类型的主要地带，其中耕地转为林地、草地分别为799.35km 2和205.51km 2，占到总耕地转移面积的51.4%、13.2%。
而NDVI max 显著下降的区域占7.0%，主要分布在研究区中东部较发达区，土地利用类型主要由耕地及其他生态系统类型转换为城镇用地等人工表面。
城镇用地面积增加818.0km 2，占总转移面积的24.4%。
4.2不同植被类型NDVI 值的季节变化分析南方丘陵山地带草地、灌丛和森林的年NDVI 有相似的季节变化规律，夏季出现最大值，一般在8、9月出现最高峰，冬季则降至最低图1研究区植被分布Fig.1Distribution of vegetation in the hilly area of southern China图42000-2010年研究区植被生长（NDVI max ）变化趋势的空间分布Fig.4Spatial distribution of variation trends of annual maximum NDVI from 2000to 2010图2研究区及周边各气象站点位置及2010年平均年降水量空间差异Fig.2Spatial distribution of meteorological stations and annual precipitation in 201017142014年8月王静等：南方丘陵山地带NDVI 时空变化及其驱动因子分析值。