基于RS的淮南市山北地区植被覆盖率变化分析

姜青华

(安徽理工大学空间信息与测绘工程学院，安徽 淮南 232001)

引言

植被覆盖率作为反映森林资源和绿化水平的重要指标，其变化情况可以在一定程度上反映区域的发展。植被覆盖率是表示绿色植物长势和丰度的重要参数，与水土流失等环境问题密切相关[1]。在一定时序下，连续监测植被覆盖率的变化可直观表示出环境变化对植被的影响，因此监测植被覆盖率的变化情况对环境保护具有重要意义[2]。传统统计植被长势和丰度的方法费事费力且时效性很低，无法做到及时、精确监测。遥感技术具有获取快捷、信息全面且能够实现不同空间尺度下地表覆盖等信息的长时序变化监测的优点，已成为全球估算不同尺度下植被覆盖率的主要技术之一[3]。遥感数据的获取具有较高的时效性，利用遥感影像数据估算大区域植被覆盖率及其变化的方法已经成为当前建立全球气候监测、生态恢复的重要工作[4]。

目前已有研究提出多种植被指数监测植被覆盖，主要分为不同波段的线性组合、基于高光谱遥感及热红外遥感发展、基于物理知识改进发展3类[5]。其中，归一化植被指数(NDVI)在研究植被方面具有突出优势，已在植被研究中得到了广泛应用[6]。通过对比分析不同时相的遥感资料，能够很好地显示出植被覆盖率变化的时空分布特征，因此利用NDVI等植被指数并结合时间二分模型、一元线性回归方程等方法已大量应用于植被的长期监测与时空监测分析中[7]。在植被变化率的动态监测中，NDVI被称为监测植被和生态环境变化的灵敏参数[8]。已经有研究表明，NDVI不仅是植被长势及丰度敏感的特征参数，还与植被覆盖率、植被叶面积指数、绿色植物生物量等植被指数密切相关[9]。NDVI的时序变化曲线也可一定程度的反映人为活动和季节活动变化情况[10]。而且，NDVI经过比值计算，可减小由大气效应、传感器观测角、阴影、太阳高度角和地形变化等因素带来的影响。通过归一化处理后的植被指数，可降低传感器定标衰减(即仪器标定误差)变化对波段的影响及由地表二向反射和大气效应造成的不利影响，加强了对植被的监测能力。

本文采用Landsat遥感影像数据，监测了安徽省淮南市2005年、2010年、2015年、2017年和2020年5a植被覆盖率及地表覆盖类型，分析了近几年研究区植被变化趋势及植被、水体、居民区和裸地4种地表类型覆盖变化，实现了大区域下植被覆盖率的长时间序列变化监测。结合研究区实际情况合理分析了植被覆盖率变化影响因素并预测了未来几年植被覆盖率变化趋势，为淮南市城市建设、环境保护、科学灌溉等提供一定的科学依据。

1 材料与方法

1.1 研究区概况

淮南市位于安徽省中北部，长江三角洲腹地，属于亚热带和暖温带的过渡地带，共有洞山、妙山、八公山、武集、上窑等6个国有林场，林业用地面积约4282hm2。以八公山、舜耕山等大别山余脉为界，将淮南市分为山南地区和山北地区。本文选择淮南山北及其周边接壤地区作为主要研究区域，其中山北地区包含淮南老城区，发展历史悠久，有多个大型矿区，且淮河以北多为平原地区，为地面监测提供良好的条件。作为中国重要的产煤地区，经济结构比较单一，为解决经济转型和环境问题，淮南市已经实施了大量生态保护工作与建设工程等工作。

图1 研究区地理位置

1.2 数据来源

本研究通过美国地质勘探局网站(https://earthexplorer.usgs.gov/)获取十景空间分辨率为30m的2005年、2010年Landsat5 TM，2015年、2017年和2020年Landsat8 OLI遥感影像数据作为数据源(行列号分别为121/37、122/37)，结合研究区矢量数据及河流等地图数据对研究区土地覆盖利用和植被覆盖状况的时空变化进行了监测及分析。

1.3 研究方法

1.3.1 归一化植被指数

现今，利用遥感资料监测植被覆盖率已成为主流研究方法之一，通常是利用植被参数来近似估算植被覆盖率，如使用某一区域的NDVI[11]、叶面积指数LAI[12]、土壤调整植被指数SAVI[13]、大气修正植被指数ARVI[14]等来估算这一区域植被覆盖率。其中NDVI是最为常用的植被指数，计算公式：

NDVI=(NIR-R)/(NIR+R)

(1)

式中，NIR为近红外波段地表反射率；R为红外波段地表反射率。

研究表明，有植被覆盖区域的NDVI值大于零，且植被覆盖率越高，NDVI值越大；在岩石、裸土等地表上，可见光和近红外的反射率相似，其NDVI值约等于零；而水汽、云、雪等地物上，可见光波段的反射率较高，NDVI值通常小于零。所以NDVI适用于大范围的植被监测且具有较好的指示性。

利用研究区5a的遥感影像，通过ENVI中对影像数据进行辐射定标、大气校正及影像裁剪、拼接以获取预处理过后数据，可更加准确地表示出该地区的地物覆盖信息。采用多波段遥感影像结合，可以直观展现植被覆盖范围。同时结合多时相遥感数据对比，实现动态监测植被覆盖率变化情况。

1.3.2 像元二分模型

像元二分模型是使用较为广泛的遥感估算模型之一，模型假设每个像元所表示的地面区域都是由有植被覆盖和无植被覆盖2个部分组成，传感器所接收到的地物反射光谱信息也是由这2个部分不同的反射光谱信息叠加组合形成，各地物反射光谱信息的权重表示各地物所占部分在这个像元中所占的比例，因此植被覆盖率可用来表示植被所占比例[15]。

利用像元二分模型估算植被覆盖率公式：

VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)

(2)

式中，NDVIsoil为裸地或无植被覆盖区域的NDVI值；NDVIveg为完全被植被所覆盖区域(即纯植被像元)像元的NDVI值。

利用像元二分模型计算植被覆盖率的关键是计算NDVIsoil和NDVIveg。可以近似视为以下2种情况。

第1种是假设某个区域的地表植被覆盖率最小值近似为0，最大值可近似视为完全覆盖，则植被覆盖率公式：

VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)

(3)

式中，NDVImax为该区域内的NDVI最大值；NDVImin代表该地区NDVI最小值。由于部分混合像元的存在会对成果产生干扰，通常依照遥感资料的实际情况来选取一定适用范围，取其最大值与最小值作为NDVImax和NDVImin。

第2种情况是假设某个区域内植被覆盖率的最小值不能取0，最大值未被植被完全覆盖。在有实测数据的情况下，依靠实测数据选取植被覆盖率的最大值和最小值分别对应图像的NDVI极值。若无实测数据，选取一定适用区域依据经验估算植被覆盖率极值。

由于NDVIsoil和NDVIveg会因植被类型不同而随时间和空间发生改变，因此估算植被覆盖率时，即使取同一景遥感影像，2个值仍不能取为固定。通常需结合土壤背景和土地覆盖类型图及野外实测数据，根据像元二分模型中的2种情况分别求解。

1.3.3 贝叶斯分类

由于影响研究结果的因素较多，为提高研究精度，需要对研究区的土地覆盖类型进行监督分类。监督分类是用已知区域中有关训练区的土地类型、光谱特征数据及其它辅助数据为样本，拟合出未知区域的各类土地覆盖类型的多元统计特征(如均值、方差和协方差矩阵等)，以这种多元统计值作为样本，对未知区域的各个像元进行相似特征分类。这种分类方法充分利用了对已知区域的各种信息，提前规划待分类的土地覆盖类型，当已知区域的土地覆盖类型具有普遍性时，可以成为整个区域的土地覆盖类型分类的依靠。

最大似然分类法又称为贝叶斯(Bayes)分类，是使用最为广泛的监督分类的方法之一[16]。根据Bayes准则对遥感影像进行分类，计算各像元归属在每个组(类)的概率(或称归属概率)，将该像元标本归属在概率最大的一组进行分类。计算表示类别函数的概率密度公式:

(4)

式中，P(ωi)为先验概率，即在被分类的图像中类别ωi出现的概率。

2 结果与分析

2.1 土地覆盖类型变化

土地覆盖指地表面覆盖物，是一种以土壤、植被为主体，多种外界因素为辅的综合体。土地覆盖类型的监测不仅可以研究地表覆盖地物的变化情况，还可以更精确和直观地表示出地表面的利用情况，能够为生态环境、气候变化、能量流动、人类活动等方面的研究提供参考依据[17]。

为了研究研究区的植被覆盖率，采用最大似然分类对淮南市2005年、2010年、2015年、2017年和2020年5a Landsat遥感影像数据进行土地覆盖类型分类，将每年的遥感影像土地利用类型分为植被、居民区、水体和裸地4类，选择不同的兴趣区定义各不同类别的若干训练样本，根据不同训练样本间的光谱及纹理差异计算样本的可分离性，因为在目视解译时某些位置的数据进行采集合成处理时会有一些小的误差，使分类结果呈现小而密集的斑块，结合主要分析的方法进行去斑块的处理使图像更加平滑。最后通过混淆矩阵进行分类精度评价。经过评定5a分类结果的Kappa系数均超过85%，表明选择样本较好地区分了不同地物类型，地物分类精度较高。

图2为使用贝叶斯分类后的监督分类图。近年来，研究区4类土地覆盖类型比例变化较为明显。其中，植被的比例先减少后增加，主要变化集中于研究区中部及南部，呈现这种变化的原因主要是人为过度开采及居民地的不断扩张引起；居民区的变化主要集中于研究区中部及东部，呈现出不断增加的趋势；水体的区域大致不变，经过研究区的河流主要有淮河、茨淮新河、东淝河和西淝河，近年河流水量较为充足，对流域内植被及农作物生长提供一定的有利条件；裸地的比例不断减少，不少裸地开垦为农田、建筑用地等类型，表明近年土地利用率不断提高，人为因素对研究区土地覆盖变化的影响较为明显。

图2 各年份监督分类结果

2.2 植被覆盖率变化监测

植被覆盖率指植被冠层的垂直投影面积与区域总面积之比，与植被空间分布、植被冠层形态(LAI、LAD)、太阳入射角与观测角等参数有关[18]。通常用于植被生长量检测、生态环境、气候监测等方面的研究。利用遥感资料数据探讨植被覆盖率的相关因素包含很多参数，如植被长势和丰度、大气效应变化信息、土壤背景的反射光谱信息等。已有研究表明，当植被覆盖率<15%时，植被可以被通过NDVI监测出来，但若植被覆盖率较低，如干旱-半干旱地区，则其NDVI很难指示区域的植物生物量；当植被覆盖率达25%～80%时，其NDVI值随植物量的增加呈线性迅速增加；当植被覆盖率>80%时，其NDVI值增加延缓而呈现饱和状态，对植被检测灵敏度下降。一般来说，作物生长初期NDVI将过高估计植被覆盖率，而在作物生长的后期NDVI值偏低。因此，NDVI更适用于植被发育中期或中等覆盖度(低～中等叶面积指数)的植被检测。

研究分别采用累积频率为98%和2%的NDVI值作为NDVI的2个极值，以分别代表NDVIsoil值和NDVIveg值，结合2.1节的土地覆盖类型研究成果，利用ENVI和ArcGIS软件对淮南市研究区2005年、2010年、2015年、2017年和2020年5a的植被覆盖率密度进行分割输出，结果如图3所示。

图3 各年份植被覆盖率

图4表示由影像分辨率结合数理分析得到植被覆盖的动态比例。15a研究区的总体植被覆盖率呈先减少后增加趋势，在2005—2015年减少较为明显，2015年后植被覆盖增加但增势缓慢，其中淮河流域沿岸植被覆盖变化不稳定。由此推断，研究区植被在2005年后遭遇到了大面积的损坏，主要是气候，降水量变化、矿产资源过度开采、人为破坏等因素造成的。在2015年之后经过人为退耕还林，减少资源开采等人为因素干预，植被覆盖率有所增加，主要集中于研究区中部及东部地区。预测在之后的年份中，淮南市山北地区的植被覆盖率将仍以较慢的速度平缓增长。

图4 植被覆盖率变化趋势图

3 结论与讨论

本文基于研究区近十几年的Landsat遥感数据，以像元二分模型为基础，依次分析了淮南市八公山、舜耕山等大别山余脉以北及其周边地区植被生长季的累计NDVI的变化特征、土地覆盖类型变化及植被覆盖率与其变化趋势。本次研究得出以下结论。

2005—2020年，研究区植被NDVI值整体上呈先降后增趋势，其中变化稳定或无显著变化趋势的区域主要分布在研究区北部和中部；不稳定区域主要为淮河流域周边地区，明显增加的区域主要分布在研究区西部，明显减少的区域多位于研究区淮河以南地区。

2005—2020年，研究区植被覆盖率变化趋势具有明显的区域差异。植被主要覆盖在研究区中西部地区，南部地区较少，淮南市生态保护与建设工程的实施对区域植被整体变化起到了积极作用。虽然淮南市生态保护工程明显促进了植被恢复，但就淮南市全区而言，植被覆盖范围仍然较少，区域植被变化仍主要受气候、土壤、人为等因素控制。影响淮南市不同地区植被变化的主要因子是不同的，研究区植被的变化除了受降水、气候的影响外，还受到矿产资源开采的影响。大面积的煤矿开采改变了土壤中的有机质，引起了地面塌陷等系列问题，对植被造成了大面积的不可逆转毁坏。

使用NDVI为参数来估算植被覆盖率虽然优势较明显，但尚存在局限性。虽然当前遥感影像获取便捷，但是在某些年份的研究中，仍存在数据受限的情况，对研究成果造成影响；高植被覆盖率区域NDVI值接近饱和，降低了高植被覆盖率区域的区别度，这也是接下来的研究方向与重点。