黄河流域植被变化的时空分析外文翻译资料

黄河流域植被变化的时空分析

Weiguo Jiang , Lihua Yuan , Wenjie Wang , Ran Cao,Yunfei Zhang, 北京师范大学地表过程与资源生态国家重点实验室

摘要：为了解黄河流域植被覆盖的变化特征，促进当地生态保护和维护生态建设，本文选用2000-2010年分辨率为250 的MOD13Q1数据计算年平均归一化植被指数(NDVI)的时间序列。利用Theil – sen Median趋势分析、Mann-Kendall检验和Hurst指数法研究了黄河流域植被覆盖度的时空变化特征。结果表明:(1)黄河流域植被覆盖度总体呈东南西北高、西北低的趋势;(2)从2000年到2010年，整个流域的平均NDVI在0.3到0.4之间波动(从2000年到2004年，变化较大，自2005年以来一直在快速增长);(3)NDVI值较为稳定，73.4%的植被覆盖面积以低至中幅波动，27.6%的面积变化幅度较大;(4)植被覆盖改善地区(62.9%)远远大于退化区域(27.7%)，而持续不变区域占植被覆盖区域的9.4%;86%的植被覆盖区域是可持续的。可持续发展的地区占植被覆盖面积的53.7%;不变面积占7.8%。可持续降解的面积为24.5%;剩余(14%)趋势的未来变化无法确定。因此，必须持续关注可持续退化和不确定区域内植被的变化趋势。

关键字：黄河流域NDV;空间分布变异系数;趋势分析方法;赫斯特指数

1．引言

植被的特征受年际变化和季节变化影响。植被作为一种天然的连接大气、水和土壤的纽带，在土壤保护、大气调节、气候和整个生态系统的稳定性(Sun et al. 1988)中起着显著的重要作用。由于地表植被覆盖度的变化影响区域生态系统的平衡，植被覆盖度变化的研究是保护生态环境的基础(Fan et al,2012;Peng et al,2012;Zhang et al,2013)。高覆盖度、高时间分辨率和免费数据，NOAA / AVHRR、SPOT/ VGT、MODIS可以提供大量的数据用来监测长时间序列的植被覆盖变化(Rigina et al,1996;Tucker et al,2005;Ma et al.2006;Fensholt et al.2009, 2012a,b Fu et al .,2014)。NDVI在功能上与叶面积指数(LAI)相关(Baret et al. 1991;古特曼et al,1998)；NDVI越高，LAI越大，植被覆盖度越高。因此，NDVI可以反映地表植被的生长状况，也可以作为监测植被变化的有效指标(Zhao, 2003;Turker et al .,1985)。20多年来，NDVI数据一直被用于分析大型空间尺度和长时间序列的空间分布特征(Tucker et al. 1985;Myneni et al .,1997;Senay et al .,2000;Stow et al .,2004);其他方法，如主成分分析(Fan et al.，2012)，一元线性回归(Piao et al.， 2001;Song et al，2011)，变异向量分析(Chen et al.， 2002)， TheilSen中值趋势分析，Mann-Kendall 测试(Pouliot et al.，2009;Fensholt et al.，2012a,b)，傅里叶变换(Wang et al.，2006)和小波分析方法(Martinez and Gilabert, 2009)也被用于研究植被覆盖度的时间和空间变化特征。此外，还使用了相关性分析。研究年际变化与气候之间的相关性(Fensholt et al，2012a,b;Kawabata et al.， 2001;Blazkova和Beven, 2004;Zhang et al,2010)。

黄河流域地处干旱、半干旱、半湿润地区。流域的气候多样，地形起伏很大，地貌类型多样，植被类型丰富(Liu et al.，2006)。近年来，随着气候的变化和人类活动的不断加剧，这个盆地呈现出明显的植被变化。目前，一些研究人员已经对黄河流域的植被变化进行了研究。Sun et al.(2001)在1982年至1999年期间，利用美国国家海洋和大气管理局(NOAA) 8km的AVHRR分析了植被和植被的空间分布，并说明了NDVI的降水和温度(Sun et al.， 2001;Yang et al.， 2003)的相关性。Li et al.(2004)也利用NOAA AVHRR (8km)研究了NDVI的空间分布、年和季节变化，以及NDVI的年际和年相关性。从1982年到1999年黄河流域的降水和径流(Li et al.， 2004)。Liu等(2006)用1公里的NOAA AVHRR分析了黄河流域的NDVI与温度和降雨的关系。基于1km空间分辨率的SPOT VGT数据, He et al.(2012)采用均值法和趋势线分析法，分析了黄河流域NDVI的时空分布、时间变化特征、年际变化(He et al.， 2012)。之前的研究主要基于空间分辨率为1km/8km 的NOAA AVHRR数据，或采用1km空间分辨率的SPOT VGT数据，因此，目前研究的空间分辨率相对较低。

为了分析植被的年际变化趋势，采用线性回归分析方法对NDVI时间序列数据进行了分析。这种方法通过利用回归方程计算植被趋势，容易受到异常值的影响。过去很少有学者使用更可信的Theil-Sen趋势分析和Mann-Kendall测试来研究植被的年际变化趋势。

过去很少有关于黄河流域植被研究来分析未来的植被趋势。植被趋势可以通过NDVI与相关影响因素之间的数学模型来模拟未来植被趋势的程度。利用赫斯特指数对时间序列数据的可持续性进行了定量检测，但至今还未对黄河流域的植被趋势预测付诸于实际应用上。

在本次研究中，选择MOD13Q1数据，其空间分辨率为250m。研究表明，使用空间分辨率为250m的MODIS NDVI产品数据，在光谱和空间分辨率上有更大的优势，这些数据可以提供更精确的信息。与SPOT/VGT-1km NDVI和NOAA/AVHRR-8km NDVI数据相比，更能表现出陆地表面上的情况(Muchoney等，2000)。与以往的研究相比，本研究中使用的数据更为精确。MOD13Q1数据经过预处理，并计算得到2000年至2010年黄河流域年均NDVI时间序列。其次，利用变异系数、Theil - sen中值趋势分析、Mann-Kendall检验和Hurst指数方法，对黄河流域植被覆盖度的时空变化、波动特征、变化趋势和可持续性进行了研究。希望通过了解黄河流域植被覆盖度的变化特征和规律，促进该区域的生态保护和生态建设。

2.方法

2.1研究区

黄河源于中国青海省的巴山卡拉山，流经青海、四川、甘肃、宁夏、内蒙古自治区、陕西、山西、河南、山东等9省。在山东省的肯里县，最终融入了渤海。黄河从东到西长1900公里和1100公里从南到北，占地面积79.46times;10 4平方公里。河流的地理坐标是39◦28′到41◦05′N、 115◦25′到117◦30′E ，根据WGS84/Albers等面积圆锥投影。(图1)。黄河流域西部地势高，东部低。西部起源地区平均海拔4000米，由一系列山脉组成；中部地区海拔1000 - 2000米，呈黄土地貌，水土流失严重；东部地区在海平面以下100米，主要由黄河冲积平原(Heetal.，2012)组成。黄河流域属于大陆性气候，南部地区部分属于半湿润气候。中部地区为半干旱气候，西北地区大多为干旱气候。黄河流域的各种地貌和复杂的环境为其创造了条件并有利于各种植被类型的发展(Liu，2006)。土地利用类型主要是林地、草地和农田。

图1：研究区

2.2方法

2.2.1数据源

MODIS NDVI数据来源于美国国家航空航天局网站的MODIS植被指数产品数据MOD13Q1。从2000年2月到2010年12月收集的数据采用HDF格式，空间分辨率为250 m，时间分辨率为16天。这些数据采用MODIS投影工具(MRT)进行格式和投影转换，该工具可从美国国家航空航天局(NASA)的土地处理分布活动档案中心(Sioux Falls, South Dakota, u.s.a)下载。原始的Hdf数据格式需转换为Geotiff格式，原始的正弦投影转换为WGS84/Albers等区域圆锥投影。再使用相邻的自然方法对转换后的数据进行二次采样，分辨率为250m。所获得的样本利用国际公认的且最常用的最大合成法，从2000年到2010年的每月NDVI数据，以避免云、大气和太阳高度角的影响(Piao等，2001;Holben,1986)。最后，利用均值法，获得年度平均NDVI数据，消除极端气候对植被生长状态的影响(Zhang et al.，2008)。

从“国家生态环境十年变化遥感调查与评估”获得2010年空间分辨率为250m的黄河流域土地利用/土地覆盖影像。“土地利用类型包括森林、草地、农田、湿地,和人工表面。

2.2.2方法

采用变异系数，Theil-Sen中值趋势分析，Mann-Kendall和Hurst指数法研究黄河流域植被覆盖区域，包括空间分布，时间变化特征，波动性，变化趋势，以及NDVI值大于或等于0.1的像素覆盖区域和NDVI的可持续性分析(Pu et al .,2001)。

2.2.2.1变异系数

植被研究中常用的变异系数，主要用于反映NDVI数据的离散程度和植被年/年波动率(Tucker et al.，2001;Milich,2000)。公式如下：

其中，CV_NDVI是指2000-2010年各像素NDVI值变化系数；sigma; _NDVI代表NDVI值的标准差，是NDVI值的平均值。CV_NDVI值大表示时间序列有较大的数据波动，而较小的CV_NDVI则表示一个更平稳的NDVI时间序列。

2.2.2.2 Theil - sen中值趋势分析和Mann-Kendall检验

该方法可以有效地与Mann-Kendall检验相结合，是判断长时间序列数据趋势的重要方法，这一组合已逐渐被用于分析时间序列中各像素变化趋势的长时间序列(Fensholt等，2012a,b;Milich,2000;Lunetta et al .,2006)。

Theil - sen中值趋势分析是一种稳健的趋势统计方法(Theil, 1950;Sen,1968;Hoaglin et al .,2000)，通过计算中位数之间的斜率中所有n(nminus;1)/ 2成对组合的时间序列数据得到。它基于非参数统计，对于小系列的趋势估计尤其有效(Hoaglin et al.， 2000)。Theil - sen中值的斜率可以代表NDVI在2000年到2010年11年间在像素尺度上的增加或减少。公式如下

:

其中，S _NDVI指的是Theil - sen中值，NDVI _i和NDVI _j代表了i和j年的NDVI值，在S NDVI gt;0的情况下，NDVI呈现上升趋势，否则NDVI呈现下降趋势。

Mann-Kendall是一种测试趋势显著性的方法。属于非参数统计检验，它的优点是样本不需要服从某些分布，并且不受极端值的干扰(Kendall, 1975)。它已被广泛应用于水文和气象时间序列分析的趋势和变化。最近，该试验已被用于研究长时间的植被变化趋势显著性监测(Fensholt等，2009)。计算公式如下：

定义统计量Z：

其中：

其中，NDVI _i和NDVI _j表示像素i和j的NDVI值；n是时间序列的长度； sgn是一个符号函数； Z统计量在（-infin;， infin;）范围内进行赋值。给定的显着性水平，| Z |gt; u _{1-C / 2}，表示时间序列显示C水平的显着变化。通常C的值为0.05。 在这项研究中取 C = 0.05，这意味着2000 - 2010年的像素尺度的NDVI趋势的显着性的置信水平为0.05。

2.2.2.3赫斯特指数

赫斯特指数是一种区分时间序列是否具有可持续性特征的方法。它是由英国水文学家(1951年)提出的，然后曼德尔布罗特和沃利斯(1969)改进了理论。这个指数在水文学、气候学、经济学、地质学和地球化学等领域广泛应用。近年来，它已被应用于植被变化的时间序列检测(Fan et al.， 2012;Hou et al .,2012;王et al .,2010)。主要计算公式如下(Sanchez Granero et al.， 2008)：

1. 定义时间序列NDVI(t),t=1,2hellip;.,n
2. 定义时间序列的平均顺序

1. 计算累计偏差

1. 创建范围序列

1. 创建标准偏差序列

1. 计算赫斯特指数

通过拟合方程log(R / S)n = a Htimes;lo

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[279363]，资料为PDF文档或Word文档，PDF文档可免费转换为Word