基于NDVI-DFI分析新疆戈壁区植被的时空变化

宋吉梅，夏 楠，海文月，唐梦迎

(1.新疆大学地理科学学院，乌鲁木齐 830017；
2. 新疆智慧城市与环境建模普通高校重点实验室，乌鲁木齐 830017；
3. 新疆环境保护科学研究院，乌鲁木齐 830011)

【研究意义】荒漠地区由于极度缺水导致植被稀少，荒漠化也越严重。对干旱区而言，植被在稳定生态系统中发挥着至关重要的作用[1]。因此，在研究中获取植被覆盖信息，对区域环境承载力的评估和因地制宜进行生态环境保护具有重大意义。运用遥感技术提取植被覆盖信息已被业界广泛认可，其中基于混合像元理论的像元二分法对植被覆盖度的估算能达到一定的精度要求[2-4]，但将该方法用于稀疏植被覆盖区的估算时，结果偏差较大[5-6]。这是由于像元二分模型对大量分散的植被像元信息缺乏有效识别，同时干旱区植被叶面积小，所反射的有效光谱信息较少。像元三分模型能提取出干旱区大量分散的干枯植被信息，进而识别出裸地和干枯植被，相比像元二分法，其对混合像元的识别更加接近地表真实情况。【前人研究进展】为提高稀疏植被的遥感监测精度，Guerschman等[7]于2015年根据植被存在光合植被(PV)、非光合植被(NPV)、裸地(BS)的特征，利用中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer，MODIS)产品数据和混合像元三分法开展反演植被信息的研究，得到误差较小的实验结果，能够满足对稀疏草原区的fPV和fNPV的时空分布估算要求。Cao等[8]通过分析MODIS红光、近红外、短波红外波段的特征提出干枯燃料指数DFI，其估算NPV的精度可达80%。王光镇等[9]在此基础上通过NDVI和DFI构建NDVI-DFI指数结构特征，随后总结出NPV的2种常用估算方法：光谱混合分析法和光谱指数法[10]。郑国雄等[11]采用高光谱数据运用线性光谱混合模型(Linear spectral mixture model，LSMM)提取PV和NPV信息，肯定了高光谱数据对于区分NPV和BS的优势。以上研究对于NDVI-DFI像元三分模型的提出和应用提供了一定的理论基础和方法依据。【本研究切入点】在荒漠—绿洲交错地带，植被对土壤保持和荒漠化防治有较大的影响，运用遥感手段监测新疆荒漠绿洲交错带植被覆盖度的变化以及检验像元三分模型在该区域的适用性。【拟解决的关键问题】本研究选取2008—2017年不同时相的Landsat8影像，运用NDVI-DFI像元三分模型对准噶尔盆地东部荒漠绿洲交错带的地表植被覆盖度进行遥感监测，通过交互式目视解译并运用高分2号影像提取植被指数评价模型精度，可以为使用像元三分模型在新疆荒漠绿洲交错区域提取植被信息的区域适用性提供参考，也可为该区在新发展机遇下的生态质量评估和绿色发展提供数据支撑。

1.1 研究区概况

本文研究区选定新疆戈壁典型区域准东经济技术开发区(图1)，该区位于新疆卡拉麦里山南麓的开阔地带(88°30′～90°30′E，44°01′～45°00′N)，研究区面积约1.44×104km2，位于吉木萨尔县、奇台县和木垒县境内，地形平坦，海拔500～700 m，历年年均潜在蒸发量(2050 mm)远大于历年平均年均降水量(185 mm)[12]，气候极为干旱，生态极其脆弱。土壤有机质含量均很低(表层土壤含量小于2%)，野外自然生长植物多为荒漠地区典型植被，常见的植物种类包括丛生的骆驼刺(AlhagisparsifoliaShap.)和盐生假木贼(Anabasissalsa)，荒漠地区的地带性植被琵琶柴(Reaummuriasoongorica)，对防风固沙有一定作用的白梭梭(Haloxylonpersicum)和刺旋花(Convolvulustragacanthoides)等植物。该地区煤炭资源储量巨大，含煤面积901 km2，内设5个露天矿、3个井工矿和3个后备区，其中露天矿的预计开采量达2×107t/年。2005年12月当地决定建设准东煤电煤化工产业带，于2009年9月开始开采。

左图黄色方框为准东经济技术开发区，右图为该区域2017年7月份假彩色图像The yellow box on the left is a reference to Zhundong-Xinjiang Economic & Technological Development Zone, and the right is a false color image of the region for July 2017图1 研究区示意图Fig.1 The image of study area

1.2 数据来源和处理

本文选择共4景Landsat TM/OLI卫星影像作为数据源，空间分辨率30 m、时间分辨率16 d，均从美国地质调查局(USGS)网站(https://glovis.usgs.gov/)下载。4景影像获取时间分别为2008年7月29日和8月7日，2017年7月31日和8月9日，影像拍摄期间研究区植被生长状况良好，且影像含云量低(含云量<5%)，总体质量较高。分别对每景影像进行辐射定标和大气校正后得到对应像元的地表真实反射率值，之后用同一年的两景影像拼接、镶嵌，获得可以覆盖整个研究区2008年和2017年植被生长旺季的遥感影像。研究所使用的高分二号影像数据从北京迅捷时代科技有限公司付费获取，影像拍摄时间为2017年7月27日。

1.3 研究方法

1.3.1 归一化植被指数 归一化植被指数(NDVI，Normalized difference vegetation index)不仅具有较强的植被指示性，能很大程度上反应植被的生长状态，而且具有较强的区域实用性，对于区域内植被的空间分布密度有良好的表征作用。因此，NDVI作为一个因子用来观测PV时，具有很好的指示性。NDVI计算公式如下：

NDVI=(BandNIR+BandR)/(BandNIR+BandR)

(1)

式中：R和NIR分别对应Landsat8影像的Band4和Band5，是地物在红光、近红外波段的反射率值。

1.3.2 干枯燃料指数 干枯燃料指数(Dead fuel index,DFI)是根据干枯植被在多光谱遥感图像的波段响应特征而建立的，其主要是NPV的高光谱数据响应特征(PV的反射率值在650和850 nm处小于NPV和BS，在1650 nm 处大于NPV和BS，NPV的反射率值于2100 nm处介于PV和BS中间)在多光谱波段的推广。DFI的计算如下[8]：

DIF=100×(1-BandSWIR2/BandSWIR1)×BandR/BandNIR

(2)

式中：SWIR1和SWIR2分别对应Landsat8影像的Band6和Band7，是地物在短波红外1、短波红外2的反射率值。

1.3.3 使用NDVI-DFI指数结构特征判识遥感图像的不同端元 NDVI-DFI指数结构特征认为每个待测像元的构成包括PV、NPV以及BS 3个组分，3个组分构成的空间形状接近于三角形(图2)，NDVI和DFI的值满足线性函数，DFI指数的值域可包含较大的负值。在这个三角形中各组分的分布位置取决于其DFI和NDVI值的高低：NDVI、DFI均低的BS组分处在空间中左下角的位置；
NDVI低、DFI高的NPV分布在左上角；
NDVI高、DFI低的PV则位于整个三角形的中间偏右下。

图2 NDVI-DFI指数结构特征Fig.2 NDVI-DFI index structure characteristics

1.3.4 遥感判识效果的实地调查验证 为验证NDVI-DFI像元三分模型对PV、NPV和BS 3种地物识别的准确度，笔者于2017年7月前往准东经济技术开发区，选取研究区内的建筑厂房区和农田荒漠交接带两块区域进行实地调查(图3)，并和NDVI-DFI像元三分模型反演结果进行对比分析。

图3 研究区2017年实地调查验证照片Fig.3 Validation photos from 2017 field investigation in the study area

1.3.5 基于高清影像的重采样验证 选择空间分辨率较高(全色1 m、多光谱4 m)的高分2号影像数据，通过重采样至30 m分辨率后计算得到NDVI值，并以此作为验证数据[13-14]对估算结果进行验证(图4)。其中区域一是农田和荒漠交错带，荒漠植被覆盖相对密集下垫面特征比较典型，能很好地代表研究区植被覆盖情况；
区域二是建筑物区，以此来验证NDVI-DFI像元三分模型在城区或工业用地的植被覆盖信息提取精度。使用ArcGIS 10.6软件等间距随机布点，在区域一选取85个点，在区域二选取50个点。

①痊愈：症状、体征、溃疡及炎症均消失。②显效：症状、体征明显减轻，溃疡面消失，但存在炎症。③有效：症状、体征有所改善，溃疡面缩小≥50%。④无效：未达到有效标准。

图4 精度验证区Fig.4 Verification area

2.1 区域内端元特征值的确定

通过提取NDVI-DFI指数结构特征各顶点纯净端元的平均指数值作为相应端元的特征值(表1)。从表1可以看出，2008年和2017年在PV端的NDVI均比在NPV端和BS端大得多，这表明在1.2节中选取NDVI作为表征PV端的因子是可行的；
同理，NPV端的DFI均大于PV和BS，说明干枯燃料指数DFI可以作为主要因子来观测NPV。NDVI轴BS

表1 端元特征值信息统计

由2008年和2017年NDVI-DFI指数结构特征散点图(图5)得出二者散点图相近，表现为形状较好的相似三角形。2017年三角形外围有大量散点，表明该年与2008年地表环境存在一定差异，通过对端元值交互判读发现，这些散点对应的区域为准东煤矿区裸露地表堆积的煤炭和水体，同时NPV端散点不连续分布，说明研究区地表因子受人为影响而发生改变。有大量的散点分布于NDVI值在0～0.3，表明研究区较多分布稀疏植被。2008年和2017年，NDVI值和DFI值的变化关系整体分为两个阶段：第一个阶段为同向增长，NDVI值在0～0.3内，随着NDVI的增大DFI也相应增大；
第二个阶段为负相关，NDVI值介于0.3～0.8，此时随着NDVI值的增大DFI值逐渐减小，且2017年的整体变化率大于2008年。

图中红色代表散点分布集中区域，越靠近蓝紫色散点分布越分散The red color in the figure represents the region where the scattering points are concentrated.The closer you get to the bluish-purple scattering points, the more dispersed they are图5 准东经济技术开发区NDVI-DFI指数结构特征散点图Fig.5 Scatter plots of NDVI-DFI characteristic space of Zhundong Economic-Technological Development Park

2.2 端元面积占比的估算分析

为统计PV、NPV、BS的具体覆盖面积，将以上因子特征值作为计算变量代入像元三分模型中进行运算，分别给fPV、fNPV和fBS赋予不同的颜色进行合成，彩色合成结果见图6。RGB彩色合成图中，绿色代表在此区域中PV的分布面积占比最大，红色代表此区域中NPV的分布面积占比最大，蓝色代表此区域中BS的分布面积占比最大。图中的黑色区域是原先地面上被水体和阴影覆盖的地方，在图像上经过掩膜对这些区域进行屏蔽，使其不参与计算。由fPV、fNPV和fBS的估算结果得出，2008年fPV的分布区域主要是南部农田耕种区；
fNPV集中分布在农田荒漠混交地、荒漠和山地；
fBS主要集中在在准东的北部、中部和东部。相比2008年，2017年fPV变化较少，面积增加5.32%，主要受耕地变化影响。fNPV和fBS变化显著，其中fNPV在中部荒漠腹地增长明显，尤其是以东部芨芨湖绿洲为中心的大片区域，平均覆盖度为0.52。研究区fNPV增长显著与该区域地理环境关系密切。准东荒漠植被大多以短命草本和耐旱梭梭、琵琶柴和小乔等为主，干旱环境不利于植物残体分解，在地表容易堆积大量NPV。fBS主要分布在北部戈壁平原，该区域为大片的砂石裸地，几乎无植被生长(相关数据通过ENVI软件的统计工具得出)。

图6 准东经济技术开发区fPV、fNPV和fBS估算结果Fig.6 Evaluating result of fPV, fNPV and fBS in Zhundong Economic-Technological Development Park

2.3 植被覆盖度估算结果分析

2.3.1 植被覆盖度各等级面积占比和变化 统计分析fPV的反演结果，2008年和2017 年研究区的fPV值分别为9.28%和11.49%。根据相关研究[15-16]和研究区植被覆盖特点，分别将2008年和2017年的fPV划分为5个等级(表2)。2008年各等级植被占比最高的是I级植被，为84.11%(面积12 071.85 km2)，2017年分布最多的依然是I级植被，为74.78%(10 732.01 km2)，但是面积比2008年减少9.34%(1339.84 km2)。2008—2017年各等级植被覆盖面积复合增长率分别为-9.34%、9.27%、-0.36%、-0.55%和0.97%，植被覆盖度减少的植被等级是I、III和IV级，增加的是II和V级。其中II级植被增长1330.91 km2，增加面积最大，V级植被的面积增长139.75 km2。上述结果说明，这十年间准东地区植被覆盖度变化总体上表现为增长状态，且植被覆盖转变是由低级向高级进行。

表2 植被覆盖度分级统计

2.3.2 植被覆盖度的年际转移状况 使用 ENVI 经典版的相关模块(密度分割和转移矩阵)得到不同等级植被覆盖度面积转移矩阵(表3)。相较于2008年，2017年共有11 408.95 km2的植被未发生变化(对角线之和)，变化的面积有2939.63 km2。从低级向高级转变的过程中，I级转向II级的面积最大，达1621.62 km2，占变化面积的55.16%，转移面积第二大的是从IV级转向V级的面积，为130.57 km2，占变化面积的4.44%，II级转向III级的面积为105.06 km2，占总变化面积的3.57%；
从高级向低级转变的过程中，变化面积最大的转移过程是从II级转向I级，为208.89 km2，占变化面积的7.11%，变化面积第二大的是从III级转向II级，为109.96 km2，占变化面积的3.74%，V级向II级的转换面积，为76.58 km2，占变化面积的2. 61%。如上所述，2008—2017年植被覆盖度的年际转移情况是：从低级转为高级的面积大于从高级转为低级的面积，且主要为I级转向II级，即总体上表现为恢复面积>退化面积。

表3 不同等级植被覆盖度的面积转移矩阵

2.4 结果验证

2.4.1 典型土地利用类型区的判识效果调查 为进一步探究像元三分模型对PV、NPV和BS 3种地物识别的准确度，参考有关研究方法[3]利用像元二分法估算2017年的植被覆盖度，将结果和用像元三分模型反演的结果进行对比分析。从图7可以看出，使用两种方法估算的2017年植被覆盖状况，结果具有很高的相似性，由此说明两种方法均可以在一定程度上估算研究区的植被覆盖状况。

图7 基于两种模型的fPV局部对比分析Fig.7 Comparison of fPV on the two models

为了更直观的对比两种方法，选择两处具有代表性的区域详细分析。图7中标注的建筑区为准东经济开发区东方希望产业园，该区域大部分为建筑厂房，像元三分模型结果将其解释为裸地，而像元二分模型结果则将该区域判别为高植被覆盖区，与实际情况显著不符，说明像元二分模型易受建筑屋顶干扰从而对植被覆盖过分估计。另一处选择农田和荒漠交接带作为NPV覆盖验证区，经过野外调查获知该区域为撂荒的旱地，早期种有玉米和小麦，地面上随机散落大量的植物组织和部分分解产物。像元二分模型在该处的反演过程中存在部分信息缺失的情况，即对该区域是无分别的判读，没有区别出BS和NPV各自的空间分布特征。而在像元三分模型的估算结果中，既判定该区域同样为极低的植被覆盖，又同时得到BS和NPV的分布特征(图7-D)。由此看来，针对此区域光合植被、非光合植被和裸地的分布特征，使用像元三分模型反演得到的结果更接近地面真实情况。

此前大多数学者通过像元三分模型估算稀疏草原植被覆盖度，由于研究区域十分开阔，居民稀少，尤其是工厂建筑较少，从而忽略了像元三分模型的优势。本研究区北部为准东经济技术开发区，存在大量煤电煤化工工厂，建筑屋顶易被识别为植被，而且经NDVI计算的建筑屋顶依旧被识别为植被[17]。因此，像元三分模型不仅适用于低植被覆盖区，而且可用于城区或工业用地的植被覆盖信息提取。更者，该模型能够估算干枯植被，也可为森林和草场火灾预警提供监测手段。

2.4.2 高清影像重采样的NDVI指数验证 将高分2号影像重采样后计算得到的结果与像元三分法模型结果进行定量分析(由ArcGIS软件Extraction工具提取至点后统计)。在验证区一(图8-a)，二者相关系数为0.817(P<0.01)，二者趋于y=0.5796x+0.026直线，其决定系数R2为0.667；
在验证区二(图8-b)，二者相关系数为0.806(P<0.01)，二者趋于y=0.9826x+0.0105直线，其决定系数R2为0.6503。经回归分析进行精度验证表明，像元三分模型对准东经济技术开发区荒漠稀疏植被的估算结果满足精度要求。

图8 像元三分法计算结果与高分2号重采样计算结果的关系Fig.8 The relation between the results of three-component pixel model calculation and GF-2 resampling calculation

在植被恢复过程中，I级向II级变化面积占比最大，其次为IV级向V级变化面积占比，但2个占比值大小相差悬殊(相差约50%)，表明植被稀疏地区大面积恢复为良好生态区是困难和漫长的；
生态退化过程中，II级向I级变化面积占比最大，其次为III级向II级变化面积占比，说明低植被覆盖区生态条件很容易恶化，表现出植被覆盖度越低，其生态脆弱性越严重。说明在治理修复时，应将退化区域作为重点治理区域。郝家田等[18]在研究2009—2018年黄河流域林草植被覆盖变化时发现，植被退化区域主要分布在林草低植被覆盖度的毛乌素沙地、陇中黄土高原等，与本研究中生态退化主要发生在低植被覆盖区这一结果有相似。其成因主要是：①低植被覆盖区陆面表层保水性差、易蒸发失水，也易于水土流失(导致土壤肥力下降和土层变溥)；
②低植被覆盖区夜间因长波辐射较大而散热、晴日因接受太阳短波辐射多而增温快，导致环境温度变化幅度大，从而加大植物受低温冷冻和高温干旱的机率，造成植被难以存活、生长繁茂起来。2008—2017年研究区整体植被覆盖度变化呈增长趋势，且面积增加的主要是II级(低荒漠)植被，与前人的研究结果基本一致：崔灿等[19]在分析新疆1989—2017年荒漠植被的分布面积及时空变化特征时发现，1989—2017年新疆荒漠植被变化以低荒漠植被面积的增加为主，南疆低、高荒漠植被面积均呈显著增加趋势(P<0.01)，主要集中在准噶尔盆地。张清岚等[20]综合运用像元二分模型等方法对准格尔盆地植被覆盖度时空变化特征进行定量分析，发现2000—2018年准噶尔盆地平均植被覆盖度呈现增加趋势。进一步分析研究区植被状况得到改善的原因，近年来当地在生态恢复方面做了较多的工作，并且成效相对显著。2012—2016年，吉木萨尔县引进一种新的荒漠造林技术即不使用灌溉管件栽种梭梭，种植梭梭3.15×105株/公顷，成活率高达75%，防沙治沙效果十分显著。2017年7月起，卡拉麦里山自然保护区实行封山育林工程，具体措施有：在现状植被覆盖较好的区域重点加强生态公益林建设，使原来的低级植被覆盖逐渐转向中高级；
在沙漠边缘地区，重点控制土地沙化；
在城市里，逐步完善城市园林和绿地。这一系列积极的生态保护政策，有效地保持了当地的生境水平，在一定程度上推动了研究区植被状况的改善。

本研究应用NDVI-DFI像元三分模型分析了新疆某戈壁区——准东经济技术开发区2018—2017年的植被时空变化特征，植被等级年纪转移状况，并进一步分析了当地生态条件改善的原因。研究结果验证了NDVI-DFI像元三分模型在新疆荒漠绿洲交错区域提取植被信息的区域适用性，也可为其他生态环境相类似的区域生态恢复治理提供参考。但由于数据量有限，本研究仅分析了研究区的植被年际变化情况，没有分析植被覆盖度季节性转移情况。因此，在今后的研究中将会选取多源遥感数据，增加时间序列的子序列，多尺度多角度分析研究区的植被覆盖度，以期为当地生态质量评估提供更全面的数据。

在干旱与半干旱地区，地表覆盖着许多非光合植被(NPV)，主要包括枯草、枯叶、枯枝、枯干和凋落物等，这些也是评价区域植被生长的重要组成部分[21]。像元三分模型不需要先验数据，且能够较好地区分和估算地表光合植被覆盖度(fPV)、非光合植被覆盖度(fNPV)和裸土覆盖度(fBS)，对干旱与半干旱区植被覆盖度的反演结果更接近地面真实情况，因而具有科学性。本研究通过遥感方法构建NDVI-DFI指数结构特征解译2008—2017年准东荒漠植被稀疏地区植被覆盖度得出如下结论。

(1)研究区NDVI-DFI指数结构特征表现为三角形，与理论上的概念模型基本一致，符合像元三分模型的基本假设。即像元三分模型用于提取荒漠绿洲交错区稀疏植被覆盖度信息也同样适用。

(2)像元三分模型比像元二分模型具有区别建筑和非光合植被的优势，能够完善由于NDVI错判建筑屋顶信息造成的影响。

(3)2008—2017年准东地区植被覆盖度有所增长，植被等级的总体转变是由低向高，且植被的恢复面积大于植被退化面积。

猜你喜欢荒漠覆盖度植被呼和浩特市和林格尔县植被覆盖度变化遥感监测科学技术创新(2022年30期)2022-10-21基于植被复绿技术的孔植试验及应用河北地质(2022年2期)2022-08-22向荒漠宣战小哥白尼(趣味科学)(2022年5期)2022-08-15基于NDVI的晋州市植被覆盖信息提取农业与技术(2021年23期)2021-12-14辽宁省地表蒸散发及其受植被覆盖度影响研究黑龙江水利科技(2020年8期)2021-01-21与生命赛跑的“沙漠植被之王”——梭梭科学大众(2020年17期)2020-10-27低覆盖度CO分子在Ni(110)面的吸附研究原子与分子物理学报(2020年5期)2020-03-17荒漠生态系统的演变绿色中国(2019年14期)2019-11-26绿色植被在溯溪旅游中的应用现代园艺(2017年23期)2018-01-18荒漠水塘儿童故事画报·智力大王(2016年7期)2017-02-08