基于扰动指数的天水南部植被扰动时空序列研究

周妍妍, 郭晓娟, 邹明亮, 陈冠光, 郭建军, 岳东霞*



基于扰动指数的天水南部植被扰动时空序列研究

周妍妍1, 郭晓娟1, 邹明亮1, 陈冠光1, 郭建军2, 岳东霞1*

1. 兰州大学资源环境学院, 兰州 730000 2. 中国科学院西北生态环境资源研究院沙漠与沙漠化重点实验室, 兰州 730000

利用全球扰动指数(The MODIS Global Disturbance Index, MGDI)模型并以长时间序列的MODIS的增强型植被指数(Enhanced Vegetation Index, EVI)和地表温度(Land Surface Temperature, LST)数据作为数据源对天水南部地区2001—2016年植被扰动指数时空分布变化特征和驱动因子进行研究。结果表明: (1)16年来植被扰动指数的均值空间分布不均, 其值分布于0.66—1.09之间, 天水市南部地区的西北和西部部分地区植被扰动指数明显低于其它地区, 且主要为积极扰动。(2)植被扰动指数的年际变化呈降低趋势, 占总面积的89.58%, 其中研究区中农耕区减小的趋势最为明显。植被扰动指数的变异系数分析结果表明, 2001—2016年以来天水南部大部分地区植被扰动指数变化较稳定。其中, 西北部的农耕区扰动指数波动幅度较大, 而林区波动相对较小。(3)植被扰动情况受海拔和坡度、河流和道路的影响。空间分布上, 扰动主要发生在海拔相对较高、坡度较缓及近河流和道路地区。

MODIS; 植被; 扰动指数; 时空变化; 天水南部

0 前言

植被作为陆地生态系统必不可少的组成部分, 能够根据陆地生态系统中水、气、热等的状况, 调控其内部与外部的全球能量物质平衡、生物化学循环和水循环[1]。它对区域生态系统环境变化有着重要指示作用, 气候变化、人类活动, 以及大气中CO2的施肥效应都会对植被产生扰动[2]。生态扰动是一个导致生态系统结构和功能持续中断的事件, 其中植被扰动是指生态系统叶面积指数(Leaf Area Index, LAI)在一年以上发生重大变化的事件, 扰动可分为积极扰动(如农业灌溉)和消极扰动(如火灾)[3–6]。陆地表层植被扰动的研究有助于跟踪生物圈对气候变化的响应, 其时空特征更是区域植被生物量和碳储量研究的关键。获取高精度植被扰动信息不仅有利于区域乃至全球生物量的精确估算[7], 而且可以提高区域或者全球碳汇的估算精度, 将在国家政策的制定、碳预算的评估以及改善资源管理中发挥重要的作用。随着全球生态环境的不断恶化, 量化扰动对于了解生态系统的动态至关重要[8], 因此量化扰动已成为全球生态系统环境的研究热点。近半个世纪以来, 不断发展的遥感(Remote Sensing, RS)和地理信息系统(Geographic Information System, GIS)技术为大面积长时间序列植被扰动的研究提供可能[9]。MODIS等遥感影像可提供数据来提取关键物候参数, 并监测植被动态的趋势[10]。2007年, Mildrexler等[11]根据植被指数和地表温度的负相关关系提出了扰动指数, 用于监测基于像元尺度LST/EVI的长期变化; 2009年, Mildrexler等[12]改进了先前提出的扰动指数, 将其更名为MODIS全球扰动指数(The MODIS Global Disturbance Index, MGDI), 监测北美森林火灾发生的位置、严重程度以及飓风和砍伐森林对植被造成的破坏。由于MGDI使用的是年最大合成数据, 这就避免了地表温度可能存在的自然变化, 因此MGDI在国内外植被扰动研究中得到广泛的应用。然而, 国内外学者主要用MGDI模型监测短时间内的植被变化。如COOPS等[13]研究表明, MGDI监测得到的扰动区域与使用其它卫星数据获取的林火区域具有很高的相关性, 并且指出MGDI还可用于区域尺度植被病虫害的监测; Sun等[14]应用MGDI监测汶川地震森林扰动, 研究表明MGDI能够较好的应用于地震扰动的监测; Dutta等[15]对比分析印度和孟加拉国红树林旋风前后的扰动, 计算出了扰动的面积; 尤慧等[16]基于MODIS数据利用MGDI监测了加拿大地区森林火烧迹地的面积; 此外, Phompila等[17]应用扰动指数检测老挝热带森林土地覆被空间变化, 研究表明, 植被扰动指数能够高精度的监测7年内的植被变化, 但缺少分析说明其变化的驱动因素。天水南部地区是一个典型的农林牧交错复合区, 属于我国气候变化的敏感区和生态环境的脆弱区, 易受人类活动和滑坡、泥石流等自然灾害的扰动[18]。本文基于MGDI模型, 采用MODIS EVI数据和LST数据监测天水南部的植被扰动状况, 分析了研究区长时间序列扰动指数的时空动态分布特征和驱动因素, 全面客观地认识了植被扰动变化的内在联系和作用机理, 对减缓研究区植被破坏和植被保护提供了科学依据[19], 建立了区域生态环境与社会经济协调的发展模式。

1 研究区概况

天水市南部地区位于黄土高原西南部, 介于东经105°42′—106°42′, 北纬34°4′—34°37′之间, 地处陕、甘两省交界, 包括党川乡、利桥乡、东岔镇、李子乡、娘娘坝等12个乡镇。天水南部地区总面积约为3262 km2, 海拔主要分布在1000—2000 m之间, 占天水市总面积的22.77%。天水市南部地区林草占总面积的85.72%, 南部小陇山林区, 树种类型多样, 森林资源十分丰富。农耕区主要分布于研究区的西北部地区, 占总面积的12.70%。其属陇中南部冷温带半湿润气候, 年平均降水量574 mm, 时空分布不均匀, 自西北向东南逐渐增加, 中东部山区雨量在600 mm以上, 且降雨多集中在4月下旬至10月上旬, 冬半年降水较少[20]。这一地区土壤蓄水性能很差, 每当遇有强降水, 雨水就会迅速在沟壑处汇集成洪流, 冲刷表土, 冲毁坡地, 引发山体滑坡、泥石流等灾害, 造成交通和通讯中段、房屋倒塌、作物受灾, 甚至人员伤亡等[21]。2013年7月25日天水市发生群发性山洪地质灾害, 其中本研究区所在的天水市麦积山区发生200多个地质灾害[22]。

图1 研究区概况

Figure 1 Sketch map of the southern part of Tianshui

2 研究方法

2.1 HANTS

时间序列谐波分析法(Harmonic Analysis of Time Series, HANTS)是改进傅立叶分析的一种算法[23]。长时间序列数据被解为几个最为显著的频率, 利用最小二乘法拟合各频率的正弦或余弦分量, 其中通过不停的迭代得到各频率的振幅和相位。该方法是平滑和滤波两种方法的结合, 它通过利用遥感影像的时空特点, 将其时间上的变化规律和空间上的分布规律联系起来, 其主要目的是遥感图像的去云处理[24], 具体内容可参考文献[25–26]。本文针对研究区特殊的气候地形环境, 在ENVI软件下利用HANTS方法对MODIS EVI和MODIS LST数据进行无云处理, 以此提高数据质量, 获得整个时序数据长期变化趋势, 以为扰动指数的计算奠定基础。

2.2 扰动指数

扰动指数为每年合成的最大地表温度和同年合成的最大植被指数的比率与目标监测年之前多年的扰动比率均值的比值[27]。MODIS全球扰动指数(MGDI)是使用植被指数和地表温度数据来检测生态扰动的一种方法(Mildrexler et al., 2009), MGDI的提出是基于通过潜热能量传递, 植被密度降低而表面温度增加的事实[28]。此外, 两个输入变量, 即地表温度(LST)和增强植被指数(EVI), 反应不同的生物物理过程, 从而丰富指标的内容[29]。该指数在长时间序列数据集的基础上, 计算像元尺度长期变化, 并且检测表面能量的显著年际变化。生态系统在未发生扰动时, 在正常年份的地表能量平衡都会在自然变异范围内波动(扰动指数一般接近1.0)。当生态系统受人类灌溉活动扰动时, 扰动指数就会小于1, 且扰动强度越大, 其值越小; 当生态系统受到干旱, 火灾等自然灾害扰动时, 扰动指数大于1, 且扰动程度越高, 其值越大。扰动指数根据扰动方式可分为瞬时扰动指数(如火灾)和非瞬时扰动指数(如虫灾, 过度放牧, 气候变化和干旱)[30]。根据扰动的影响可分为积极扰动(灌溉)和消极扰动(砍伐、火灾)。在本研究中, 使用MGDI方法分析了2001—2016年天水南部地区的因人类活动和滑坡泥石流等自然灾害造成的非瞬时扰动。非瞬时MGDI表达式如下[31]:

公式中, DI为扰动指数; EVImax为每个像元的EVI一年内最大值; LSTmax为每个像元的LST一年内最大值; 分子表示目标年份的(LSTmax/EVImax), 分母表示除目标年份以外之前多年(LSTmax/EVImax)的均值。

2.3 线性趋势分析

为研究2001—2016年扰动指数变化的空间分布特征采用一元线性回归方程方法, 分析每个像元的DI变化趋势, 定量计算研究区范围内中所有像元的DI与时间的回归斜率。斜率K即为DI线性趋势, 其值为正说明扰动指数有增加趋势, 为负说明扰动指数呈减少趋势, K绝对值越大, 则说明扰动指数变化越明显[32]。趋势斜率用最小二乘计算, 公式如下[33]:

公式中, K为扰动指数变化的线性趋势;为研究年数; DI为每个像元在第年第个像元的DI值。

2.4 稳定性分析

为了解天水南部地区DI在空间上的波动程度, 计算2001—2016年每个栅格DI的变异系数(The coefficient of variation, C)。变异系数是反映数据变异程度的一个统计量, 可消除因单位和平均值不同对变异程度比较的影响[34], 用其来评估DI数据在时间与空间上的相对变化程度, 变异系数越大, 变异程度越大; 反之, 变异程度越小[35]。计算式为[36]:

公式中, C为变异系数,`为2001—2016年DI平均值,s为2001—2016年DI标准差。C值越大, 表示数据分布越离散, 数据时间序列波动较大; 反之则表示数据分布较聚集, 数据时间序列波动较小, 稳定性较好。

3 数据源与数据处理

(1)MODIS EVI数据和LST数据: 搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪(Moderate-Resolution Imaging Spectroradiometer, MODIS)是美国地球观测系统(EOS)计划中用于观测全球生物和物理过程的重要仪器。它获取的影像具有36个中等分辨率水平(0.25 um—1 um)的光谱波段, 每1—2 d对地球表面观测一次。获取陆地和海洋温度、初级生产率、陆地表面覆盖、云、汽溶胶、水汽和火情等目标的图像。NASA提供的MODIS全球数据产品, 共有44种标准产品, 具有不同的时间和空间分辨率。其中MOD13Q1产品的增强型植被指数EVI数据, 是空间分辨率为250 m的16 d合成产品; MOD11A2产品的地表温度LST数据, 是空间分辨率为1000 m的8 d合成产品。利用MRT软件把所有MODIS遥感影像投影为相同的坐标系, 通过最邻近法重采样为250 m空间分辨率。本文选取MODIS数据产品行列号为h26v05的2000—2016年所有的EVI和LST数据产品用于扰动指数的计算。利用研究区每年的EVI和LST数据, 在ArcGIS软件的像元统计数据工具中, 计算出每个像元一年内的最大值, 取该值为目标年的EVImax, 每年合成一幅当年EVImax影像。根据同样的算法, 每年合成一幅当年LSTmax。

(2)数字高程模型(DEM): 来源于中国地理空间数据云的数字高程数据产品, 其为90 m空间分辨率。根据DEM数据利用ArcGIS软件提取研究区的河流和坡度。

(3)土地利用类型数据: 2015年的土地利用数据来源于中国科学院资源环境科学数据中心(http:// www.resdc.cn), 其空间分辨率为30 m[37]。

4 结果与分析

4.1 天水南部地区2001—2016年扰动指数空间分布特征

根据公式(1), 在ArcGIS软件支持下, 将空间化的各参数带入MGDI模型进行栅格地图代数运算, 得到2001—2016年DI时间序列数据集, 制作2001— 2016年平均值的天水南部扰动指数图(图3a)。根据构建的DI时间序列数据集, 计算每个像元点多年数据集的平均值和标准差, 确定每个像元点的平均状态和自然变异范围, 从而制作2016年扰动情况图[38](图3b)。由图3可知,扰动指数的空间分布不均一, 其值分布于0.66—1.09之间, 绝大部分的值小于1, 且为扰动较小区域。从区域分布看, 西北及北部边缘区域、西部娘娘坝镇的一部分及北部边缘地区扰动指数明显低于其它地区, 主要是积极扰动, 占总面积的31.36%, 扰动面积最大。由于这些地区植被类型主要为耕地, 耕地由于受人类灌溉, 耕种等农业活动影响较大, 导致地表温度较低, 植被覆盖较好, 扰动指数较低[39–40]。河谷地区, 地势平坦, 土壤肥沃, 水资源丰富, 土地利用类型主要为耕地, 扰动指数也普遍低于1。除河谷地区其它大部分地区主要为林地, 受自然和人为扰动较少, 扰动指数接近于1, 主要为无扰动区。消极扰动的区域主要分布于西北部伯阳乡及西部的娘娘坝镇和李子乡, 扰动面积较小, 主要是位于滑坡泥石流灾害的多发区。

图2 2015年天水南部土地覆被状况

Figure 2 Land cover of the southern part of Tianshui in 2015

图3 2001—2016年天水南部扰动指数和2016年扰动情况空间分布图

Figure 3 Spatial distribution map of average DI from 2001 to 2016 and DI in 2016 over the southern part of Tianshui

4.2 天水南部地区扰动指数的时空变化特征

4.2.1 扰动指数年际变化趋势

根据公式(2), 用16年逐一像元的DI值与年份计算线性趋势, DI回归斜率能够反映植被DI变化的方向和速率。图4为2001—2016年天水南部扰动指数的变化趋势, 扰动指数变化较小, 平均趋势系数为-0.0038, 呈缓慢减小的趋势。从面积比例上看, 扰动指数减小的区域占总面积的89.58%, 明显降低的区域主要分布于研究区西北部的伯阳乡和元龙乡及娘娘坝镇的西北部, 这主要由于人类的灌溉耕作等农业活动使植被覆盖相对升高, 地表温度降低[41]。中部大面积的林区扰动指数呈增加趋势, 占总面积10.42%, 且DI逐渐接近于1。说明该区域受自然和人为扰动减少, 植被覆盖度逐渐增加, 植被状况不断改善。这主要由于自1999年以来, 该区域积极实施天然林保护、封山育林、退耕还林等工程的实施, 该区域森林覆盖率呈显著上升趋势, 且林地面积不断扩大[42]。DI多年基本不变的区域主要分布于现代冰川上, 该区海拔高且远离城区, 受自然和人为扰动较少[43]。总之, 研究区DI增加的区域远高于减少区域的面积, 同时增加的强度也高于减少的强度。

图4 2001—2016年天水南部扰动指数变化趋势空间分布图

Figure 4 Changing trends of DI in the southern part of Tianshui from 2001 to 2016

4.2.2 扰动指数变化的稳定性分析

变异系数能够反映植被DI的时空变动程度。图5显示的是天水南部地区16年DI逐像元计算出的变异系数。研究区的变异系数分布0.03—0.38之间, 平均值为0.08, 整体DI年际变异幅度较小, 变化较为稳定。DI的空间分布与其年际变异系数的空间分布存在高度的负相关性, 区域不同地区的DI稳定性存在明显的空间差异。DI高波动区多分布在西北部伯阳乡, 元龙乡等乡镇及白家河和红崖河等河流的两侧, 且是扰动指数低值区, 该区域受到人类生产生活的影响[44], DI的稳定程度低。草地的生长受水热条件以及人为干预的影响较大, 故近16年草地DI表现出较大的波动性。林地主要分布在丘陵和山区, 自然环境好且对气候和人为影响具有较强的适应性, 生长稳定, DI波动较小[45]。

4.3 天水南部地区植被扰动驱动因子分析

4.3.1 海拔和坡度

地形是影响植被分布及扰动的重要因素, 本文按照400 m等间隔, 将海拔由低到高分为五个等级, 按照10°等间隔, 将坡度由低到高划分为五个等级[46], 利用ArcGIS10.2软件中面积制表工具统计在不同等级海拔、坡度中扰动区域的分布情况[47]。由表1可知, 研究区植被扰动区域的海拔分别主要分布在等级三和等级四, 分别占扰动面积的37.76%、50.68%, 由此可知, 较高海拔即1200—2000 m范围内的植被易受扰动。由于研究区中高海拔区占研究区面积最大, 且是人类主要活动的区域, 随着海拔升高, 植被增加, 人类活动较少, 扰动面积少[48]。植被扰动区域的坡度分别主要分布于等级二和等级三, 分别占扰动面积的41.19%、30.08%, 由此可知坡度较缓的植被更加易受到扰动影响, 并且在天水地区滑坡灾害多发生在10°—40°之间, 增加该区域的扰动[49], 结果说明地形是影响植被扰动的重要因素。

4.3.2 距河流和道路的距离

近河流和道路的区域是工农业生产主要区域, 其影响着植被的盖度和扰动状况。利用ArcGIS平台的缓冲区分析工具, 按1 km间隔(缓冲区半径)建立水体、道路边界缓冲区, 进行区域分析, 得到各个缓冲区等级扰动制表。由表2可知, 在靠近道路和水系的缓冲区一和缓冲区二区域, 植被扰动发生的所占比例较高[50]。缓冲区之间植被扰动的比较显示, 无论是河流还是道路附近, 植被扰动区域都由内向外显著递减。河流和道路附近植被扰动都较大, 而不同范围内的变化有所差别, 在一定程度上反映出人为活动与植被扰动存在重要的本质联系[51]。总之, 在空间分布上, 天水南部植被扰动主要发生在海拔相对较高、坡度较缓及近河流和道路区域。

图5 2001—2016年天水南部扰动指数变化稳定程度

Figure 5 Standard deviation of DI changes in the southern part of Tianshui from 2001 to 2016

表1 天水南部地区植被扰动面积在不同海拔和坡度的分布

表2 天水南部植被扰动面积在道路和水系不同缓冲区的分布

5 结论

本文利用MODIS EVI和MODIS LST遥感数据, 基于MGDI模型监测了天水南部地区2001—2016年植被扰动状况, 分析扰动指数的时空变化特征及其对自然和人为因素的响应, 得出以下结论:

1)16年来扰动指数的均值空间分布不均, 其值分布于0.66—1.09之间, 研究区西北和西部部分地区扰动指数明显低于其它地区; 2)扰动指数的年际变化呈降低趋势, 占总面积的89.58%, 其中研究区中农耕区减小的趋势最为明显。扰动指数的变异系数分析结果表明, 2001—2016年以来天水南部大部分地区扰动指数变化较稳定。其中, 西北农耕区扰动指数波动较大, 而林区波动较小; 3)植被扰动受海拔、坡度与河流和道路距离因素的影响, 空间上, 扰动主要发生在海拔相对较高、坡度较缓和近水体和道路地区。植被扰动是自然和人为因素综合作用的结果, 其中合理的安排农业生产活动以及退耕还林、还草等政策, 有力促进了绿化工作的开展, 大大改善了生态与环境。此外, 植被的扰动变化与气候变化、土地利用方式、城市化和人口密度等因素密切相关, 这将是下一步研究的重点[52]。

[1] SCHIMEL D S. Terrestrial biogeochemical cycles: Global estimates with remote sensing[J]. Remote Sensing of Environment, 1995, 51(1): 49–56.

[2] PIAO S, MOHAMMAT A, FANG J, et al. NDVI-based increase in growth of temperate grasslands and its responses to climate changes in China[J]. Global Environmental Change, 2006, 16(4): 340–348.

[3] PICKETT S T A,WHITE P S. The ecology of natural disturbance and patch dynamics[M]. Academic Press, 1985.

[4] TILMAN D. The Resource- Ratio hypothesis of plant succession[J]. American Naturalist, 1985, 125(6): 827–852.

[5] WARING R H, RUNNING S W. Forest ecosystems: analysis at multiple scales[J]. Forest Ecosystems Analysis at Multiple Scales, 2007.

[6] DALE V H, BROWN S, HAEUBER R A, et al. Ecological principles and guidelines for managing the use of land[J]. Ecological Applications, 2014, 10(3): 639–670.

[7] YANG C, SHEN R. Progress in the study of forest disturbance by remote sensing[J]. Remote Sensing for Land & Resources, 2015, 27(1): 1–8.

[8] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[9] 邓朝平, 郭铌, 王介民, 等. 近20余年来西北地区植被变化特征分析[J]. 冰川冻土, 2006, 28(5): 686–693.

[10] PÉREZHOYOS A, MARTÍNEZ B, GILABERT M A, et al. A multi-temporal analysis of vegetation dynamics in the Iberian peninsula using MODIS-NDVI data[J]. Earsel Eproceedings, 2010(1).

[11] MILDREXLER D J. A new satellite-based methodology for continental-scale disturbance detection[J]. Ecological Applications A Publication of the Ecological Society of America, 2007, 17(1): 235–50.

[12] MILDREXLER D J, ZHAO Maosheng, et al. Testing a MODIS global disturbance index across North America[J]. Remote sensing of environment, 2009, 113(10): 2103– 3566.

[13] COOPS N C, WULDER M A, IWANICKA D. Large area monitoring with a MODIS–based disturbance index(DI) sensitive to annual and seasonal variations[J]. Remote Sensing of Environment, 2009, 113(6): 1250–1261.

[14] SUN L, CHEN J, LI T. A MODIS- based method for detecting large-scale vegetation disturbance due to natural hazards: a case study of Wenchuan earthquake stricken regions in China[J]. Stochastic Environmental Research & Risk Assessment, 2015, 30(8): 1–12.

[15] DUTTA D, DAS P K, PAUl S, et al. Assessment of ecological disturbance in the mangrove forest of Sundar­bans caused by cyclones using MODIS time–series data(2001—2011)[J]. Natural Hazards, 2015, 79(2): 775– 790.

[16] 尤慧, 刘荣高 , 祝善友, 等. 加拿大北方森林火烧迹地遥感分析[J]. 地球信息科学, 2013, (4): 597–603.

[17] PHOMPILA C. Applying the Global disturbance index for detecting vegetation changes in Lao Tropical Forests[J]. Advances in Remote Sensing, 2015, 05(1): 1–9.

[18] 胡利平, 姚延锋, 裴古娥, 等. 天水地区近50年气温与降水变化特征[J]. 地理科学进展, 2009, 28(4): 651–656.

[19] 李月臣, 宫鹏, 刘春霞, 等. 北方13省1982年～1999年植被变化及其与气候因子的关系[J]. 资源科学, 2006, 28(2): 109–117.

[20] 郭慧, 黄涛, 邓茂芝, 等. 甘肃天水地区45 a来强降水与洪涝灾害特征分析[J]. 冰川冻土, 2007, 29(5): 808–812.

[21] 赵洪涛. 甘肃中南部滑坡、泥石流灾害机制及防灾可持续发展研究[D]. 兰州: 兰州大学, 2010.

[22] 于国强, 张茂省, 胡炜. 天水市“7.25”群发性山洪地质灾害发育特征及成因分析[J]. 西北地质, 2014(3): 185– 191.

[23] 赵伟, 李召良. 利用MODIS/EVI时间序列数据分析干旱对植被的影响[J]. 地理科学进展, 2007, 26(6): 40–47.

[24] 刘惠峰. 基于时序NDVI的疏勒河流域植被覆盖分类研究[D]. 兰州: 兰州大学, 2014.

[25] VERHOEF W, MENENTI M, AZZAH S. A colour composite of NOAA—AVHRR—NDVI based on time series analysis 1981— 11992. International Journal of Remote Sensing, 1996, 17: 231–235.

[26] ROERINK G J, MENENTI M, VERHOEF W. Reconstructing cloudfree NDVI composites using Fourier analysis of time series[J]. International Journal of Remote Sensing, 2000, 21(9): 1911–1917.

[27] 尤慧. 近十年东南亚森林扰动的遥感分析[D]. 南京: 南京信息工程大学, 2013.

[28] RAMAKRISHNA R N.Estimation of Regional Surface Resistance to Evapotranspiration from NDVI and Therma–IR AVHRR Data[J]. Journal of Applied Meteo­rology, 1989, 28(4): 276–284.

[29] LAMBIN E F, EHRLICH D. The surface temperature- vegetation index space for land cover and land–cover change analysis[J]. International Journal of Remote Sensing, 1996, 17(3): 463–487.

[30] GOETZ S J. Multi–sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site[J]. International Journal of Remote Sensing, 1997, 18(1): 71–94.

[31] 曹云. 基于MODIS数据产品与Landsat遥感影像的云南省近十年森林扰动监测方法研究[D]. 南京: 南京信息工程大学, 2015.

[32] 于泉洲, 梁春玲, 刘煜杰, 等. 基于MODIS的山东省植被覆盖时空变化及其原因分析[J]. 生态环境学报, 2015, 24(11): 1799–1807.

[33] MA M, FRANK V. Interannual variability of vegetation cover in the Chinese Heihe River Basin and its relation to meterological parameters[J]. International Journal of Remote Sensing, 2006, 27(16): 3473–3486.

[34] 张仁平. 2000—2012年中国北方草地NDVI和气候因子时空变化[J]. 中国沙漠, 2015, 35(5): 1403–1412.

[35] 杨慧. 空间分析与建模[M]. 北京: 清华大学出版社, 2013.

[36] 潘竟虎. 2001—2010年疏勒河流域植被净初级生产力时空变化及其与气候因子的关系[J]. 生态学报, 2017, 37(6): 1888–1899.

[37] 徐新良. 土地利用/覆被变化时空信息分析方法及应用[M]. 北京: 科学技术文献出版社, 2014.

[38] 吴立叶. 区域森林扰动遥感监测研究[D]. 南京: 南京信息工程大学, 2014.

[39] FRIEDL M A, DAVIS F W. Sources of variation in radiometric surface temperature over a tallgrass prairie[M]// Handbook of Africa's international relations/. Routledge, 1994: 1–17.

[40] BICHERON P, DEFOURNY P, BROCKMANN C. GLOBCOVER: products description and validation report[J]. Foro Mundial De La Salud, 2011, 17(3): 285–287.

[41] 赵晶, 周耀治, 邓兴耀. 西北干旱区植被覆盖时空动态特征[J]. 林业资源管理, 2017, 2(1): 118–126.

[42] BADRELDIN N, GOOSSENS R. A satellite–based disturbance index algorithm for monitoring mitigation strategies effects on desertification change in an arid environment[J]. Mitigation and Adaptation Strategies for Global Change, 2015, 20(2): 263–276.

[43] 任冲, 鞠洪波, 张怀清, 等. 天水市近30年林地动态变化遥感监测研究[J]. 林业科学研究, 2017, 30(1): 25–33.

[44] CHANG Yaping, DING Yongjian, ZHAO Qiudong, et al. Remote estimation of terrestrial evapotranspiration by Landsat 5 TM and the SEBAL model in cold and high–altitude regions: a case study of the upper reach of the Shule River Basin, China[J]. Hydrological Processes, 2016: n/a-n/a.

[45] 张东海, 任志远, 王晓峰, 等. 基于MODIS的陕西黄土高原植被覆盖度变化特征及其驱动分析[J]. 生态与农村环境学报, 2013, 29(1): 29–35.

[46] 奚砚涛, 徐勇, 刘欣婷. 2000-2013年江苏省不同植被类型NDVI时空变化特征[J]. 水土保持研究, 2016, 23(1): 86-91.

[47] 杨辰. 区域森林植被扰动遥感监测研究[D]. 南京: 南京信息工程大学, 2013.

[48] 张宇欣. 基于扰动指数的岷江上游森林扰动时间序列研究——以理县为例[J]. 浙江林业科技, 2017, 37(3): 48–53.

[49] 齐敬辉, 牛叔文, 马利邦, 等. 2000-2014年疏勒河流域植被覆盖时空变化[J]. 生态与农村环境学报, 2016, 32(5): 757–766.

[50] 赵芳. 三江源区草地MODIS植被指数时空变异及驱动因子分析[D]. 西宁: 青海大学, 2012.

[51] 李小亚, 张勃, 靳自宝. 基于MODIS-NDVI的甘肃河东地区植被覆盖度动态监测[J]. 水土保持研究, 2013, 20(1): 112–115.

[52] 王文辉. 福建长汀植被覆盖度变化的主要驱动影响因子及影响力分析[J]. 福建农林大学学报(自然版), 2017, 46(3): 277–283.

Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index

ZHOU Yanyan1, GUO Xiaojuan1, ZOU Mingliang1, CHEN Guanguang1, GUO Jianjun2, YUE Dongxia1*

1. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China 2. Key Laboratory of Desert and Desertification, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

The study investigated the temporal-spatial distribution characteristics and driving factors of vegetation disturbance index in the southern part of Tianshui from 2001 to 2016 based on MGDI model, using the Enhanced Vegetation Index(EVI) and Land Surface Temperature(LST) in long time series as data sources. The results are as follows. (1)The spatial variation range of mean vegetation disturbance index value was 0.66-1.09mm on the grid during 2001-2016, which had a significant difference in spatial patterns. And the vegetation disturbance index of the northwest and western parts of the study area was obviously lower than that of other areas, and mainly for positive disturbance. (2)The interannual variability of vegetation disturbance index was decreasing, accounting for 89.58% of the total area. Among all the study area, the reducing trend was most obvious in the cultivated area. The analysis of variance coefficient of vegetation disturbance index showed that the change of vegetation disturbance index in most parts of southern Tianshui since 2001-2016 was relatively stable while the disturbance index of the farming area in the northwest was larger, and the forest area fluctuated less. (3)Vegetation disturbances were affected mainly by altitude, slope, river, and road. Judging from spatial distribution, the disturbance occurred mainly at relatively low elevations, with slower slopes and near rivers and roads.

MODIS; vegetation; disturbance index; spatial and temporal variation; south of Tianshui

10.14108/j.cnki.1008-8873.2019.01.014

P9

A

1008-8873(2019)01-102-09

2017-12-07;

2018-3-20

甘肃省民生科技计划(1503FCME006)

周妍妍(1992—), 女, 河北邯郸人, 在读硕士研究生, 主要从事生态安全评价研究, E-mail:yyzhou16@lzu.edu.cn

岳东霞, 女, 博士, 教授, 主要从事生态安全评价研究, E-mail: dxyue@lzu.edu.cn

周妍妍, 郭晓娟, 邹明亮, 等. 基于扰动指数的天水南部植被扰动时空序列研究[J]. 生态科学, 2019, 38(1): 102-110.

ZHOU Yanyan, GUO Xiaojuan, ZOU Mingliang, et al. Study on spatio-temporal variation of vegetation disturbance in the southern part of Tianshui by disturbance index[J]. Ecological Science, 2019, 38(1): 102-110.