尼洋河流域植被特征时空变化及其对水热的响应

张浔浔， 杨 斌*， 吴淑莹， 肖志强， 文 浪， 段阳海， 孙 建

(1.中国地质调查局应用地质研究中心， 四川 成都 610036； 2. 自然资源要素耦合过程与效应重点实验室， 北京 100055； 3.四川省华地建设工程有限责任公司， 四川 成都 610081； 4.北京师范大学地理学院，遥感科学国家重点实验室， 北京 100875； 5.中国科学院青藏高原研究所青藏高原地球系统科学国家重点实验室， 北京 100101)

植被作为陆地生态系统关键组成部分[1]，是连接大气、水体和土壤的自然纽带[2]，在水土保持、物质循环、能量流动及维持生态系统稳定方面有重要作用[3-4]。叶片作为植被开展光合和呼吸等作用的主要载体，对其进行定量描述是表征生态环境质量变化的重要指标之一[5]。叶面积指数(Leaf area index，LAI)通常被定义为单位土地面积上植物叶片总面积占土地面积的倍数[6]，是具有代表性的植被生物物理参数[7]，在作物的产量估算、森林监测、生态评价和碳循环研究等方面具有重要作用[8-9]。而植被覆盖度(Fractional vegetation cover，FVC)是指植被(包括叶、枝和茎)在地面垂直投影面积占区内总面积的百分比，是用于反映土地覆盖变化、自然资源监测和生态系统功能的重要指标[10]。

运用遥感技术来反演LAI是获取大范围LAI最为有效和快捷的方法[11-12]，目前反演LAI的遥感模型可分为2类：一类是统计模型[13]，常用的光谱数据包括植被指数、光谱反射率、导数光谱等[14]；一类是物理模型，利用辐射传输模型的反向过程反演获得输入参数从而达到反演地表参量的目的[15-17]。2类模型均存在普适性较差的缺陷[18-19]。物理模型所需参数众多，存在数据获取困难和“病态反演”问题[20-21]。随着遥感技术不断发展，遥感数据对非线性物理模型的优化要求提升，常规反演方法已难以解决复杂的非线性问题[22-23]。而神经网络(Neural networks，NN)是近年来逐渐引入和应用于反演LAI的新方法，在应对这些问题的拟合及模式识别方面具有明显优势，成为目前混合反演方法中较为成熟且可准确反演地表参数的方法[24]。神经网络是一种计算上非常高效的机器学习方法，其具有良好的插值能力，对于生产全球长时间序列的地表参数产品非常有利。国内外学者基于辐射传输模型模拟数据训练的神经网络反演地表参数时，均取得很好的反演结果。使用广义回归神经网络(General regression neural network，GRNN)从时间序列遥感数据中估算LAI的方法，与当前的中分辨率成像光谱仪(Moderate resolution imaging spectroradiometer，MODIS)和CYCLOPES LAI产品相比，该方法能够以更高的准确性估算时间上连续的LAI[25]。

现阶段的研究主要是关于植被LAI的反演方法和对单一年份LAI空间分布特征的探讨[26-29]，缺少运用较高分辨率的遥感数据来反演长时间序列LAI的研究[30]。此外，以往的研究主要是单一LAI或FVC的时空变化特征[30]，难以全面反映区域植被整体变化特征，通过结合长时间序列LAI和FVC，开展植被动态监测的研究还很少见。深入研究植被时空变化特征、变化规律及其影响因素有助于全面了解区域生态环境质量，掌握生态系统植被变化过程及其影响机制。

尼洋河流域作为工布江达县的“母亲河”，不仅是雅鲁藏布江五大支流之一，也是流经林芝地区最为完整的一条河流[31]，其区域生态安全关系着地区经济可持续发展。该流域是我国地质灾害较为严重的地区之一[32]，故其区域生态环境问题日益成为专家学者研究热点和难点。本文利用MODIS，VEGETATION等传感数据的LAI产品及全球范围LAI的地面测量数据，基于广义回归神经网络，集成时间序列遥感数据反演LAI，利用植被冠层的透过率来估算植被覆盖度，生成2001—2019年250 m分辨率的LAI和植被覆盖度数据集，对近19年尼洋河流域植被时空格局和演化规律进行定量分析，探讨流域植被变化对气候因子的响应，为进一步加强植被恢复和管理，保障流域生态安全和可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况

本文研究区为尼洋河流域，地理位置处于29°28′00″N～30°31′00″N和92°10′00″E～94°35′00″E之间[33]，位于西藏自治区东南部林芝地区境内，是雅鲁藏布江中下游的一级支流，发源于自治区内米拉山西侧的错木梁拉，自西向东流经工布江达县和林芝市，于八一镇则们附近汇入雅鲁藏布江[34-35]。

尼洋河全长307.5 km，河流源头海拔5 000 m左右，总落差2 273 m，流域面积1.753 5×104km2，整体地势由西向东逐渐降低。植被类型从上游的草甸、草原向下游过渡为常绿针叶林、落叶阔叶林等(图1)。在气候区划上，因受印度洋暖流与北方寒流的影响，形成了尼洋河流域特殊的湿润和半湿润并存的多种气候带[36]，整体气候温和湿润，年均气温8℃左右，年降水量600～900 mm。

图1 尼洋河流域地理位置及地表覆盖类型(MCD12Q1)图Fig.1 Geographical location and land cover type map of Niyang River Basin(MCD12Q1)注：本研究采用的是MCD12Q1产品中土地覆盖分类1(IGBP的全球植被分类)方案。该方案的相关系数R值为98.22%～99.61%，在区域尺度上相比其他方案IGBP的一致性最佳[37]Note:This study adopts the global vegetation classification scheme of land cover classification 1(IGBP in the MCD12Q1) product. The correlation coefficient r value of this scheme is 98.22%～99.61%,and the consistency of IGBP is the best compared with other schemes on the regional scale

1.2 数据与方法

1.2.1叶面积指数反演数据与方法 本文利用多分辨率卫星遥感产品(MUlti-resolution Satellite remote Sensing products，MUSES)LAI反演算法集成时间序列的遥感观测数据，其中遥感数据来源于美国国家航空航天局(National aeronautics and space administration，NASA，https://search.earthdata.nasa.gov/)的地表反射率数据(MOD09Q1)，空间分辨率为250 m，数据每8 d一期，每年46期，并利用人工神经网络方法生产时空连续的长时间序列的全球叶面积产品，具体算法流程如图2所示。

广义回归神经网络可以被划分为4层：输入层、隐层、总和层、输出层(图3)。输入层把输入向量X传递给隐层的所有单元；隐层包含所有的训练样本Xi(i= 1,2,…,n)，当给定一个输入向量X，计算X和训练样本之间的距离，并带入概率密度函数；总和层有2个计算和函数的单元A和B；输出层计算A除以B，得到预测结果[25]。

1.2.2植被覆盖度估算数据与方法 利用植被冠层的透过率可以估算出高质量和准确的植被覆盖度[38]。当光入射到植被冠层顶部时，透过植被冠层的光的比例可以用以下的公式来近似计算。

(1)

其中，Ω为聚集指数，lai为叶面积指数，φ为太阳天顶角，a是叶片的吸收率，kc(φ)为冠层衰减系数。kc(φ)由式(2)计算。

(2)

其中，x冠层叶片在水平和垂直表面上平均投影面积之比，针对不同植被类型，分别赋予x不同的值。

由植被覆盖度的定义，植被覆盖度的大小为1减去太阳天顶角为0度时的冠层透过率，即

fCover=1-Ptr(0)

(3)

对式(3)的输入参数进行敏感性分析的结果表明叶面积指数是对植被覆盖度变化最敏感的输入参数。利用以上方法计算植被覆盖度时，将反演得到的叶面积指数数据集作为式(3)的输入，计算得到植被覆盖度，确保了叶面积指数和植被覆盖度两个参数数据集的物理一致性[38]。

图2 MUSES LAI反演算法流程图Fig.2 Flow chart of MUSES LAI inversion algorithm

图3 GRNN网络结构图Fig.3 GRNN network structure

同时根据相关资料结合植被覆盖特征以及FVC影像的精度，通过密度分割将植被覆盖度分为高、中、低、极低(裸土)4种覆盖类型，用以探究不同植被覆盖类型时空变化趋势：(1)当植被覆盖度大于0.75时，为高覆盖类；(2)当植被覆盖度介于 0.35～0.75之间时，为中覆盖类；(3)当植被覆盖度介于0.10～0.35时，为低覆盖类；(4)当植被覆盖度小于0.10时，为极低覆盖类(裸地)[39]。基于以上方法，利用预处理后的MODIS地表反射率数据，完成2001—2019年尼洋河流域250 m分辨率叶面积指数数据集的反演，时间分辨率为8 d。在此基础上，利用250 m分辨率叶面积指数数据集，计算出尼洋河流域2001—2019年250 m分辨率的植被覆盖度数据集，时间分辨率为8 d。

1.2.3植被时空特征及水热响应的数据与分析方法 在植被空间分布特征研究中，本文分别选取每年第33 d和第217 d作为LAI和FVC的空间分布研究时间，这两天分别对应于尼洋河流域的冬季和夏季。通过对LAI和FVC具体的数值分析表明，在第33 d前后流域植被生长缓慢，LAI和FVC值最小。而在第217 d前后，尼洋河流域的植被生长达到顶峰，叶面积指数和植被覆盖度值最大，是两个最具代表性的时间节点。

植被生长与水热的关系密切，本文采用ERA5 (ECMWF Reanalysis)再分析数据分析了尼洋河流域植被对水热变化的响应。ERA5再分析数据是由欧盟资助、ECMWF(European Centre for Medium-Range Weather Forecasts)运营的哥白尼气候变化服务打造的最新一代再分析数据[40]。本文仅选择与植被生长最为密切的温度、降水2个要素来开展水热变化对尼洋河流域植被的影响分析。为了消除气候因素之间的干扰，采用偏相关分析方法来探讨尼洋河流域植被对气候变化的响应情况。偏相关分析法的公式如下[41]：

(4)

式中：Rxy,z为去除变量z干扰后变量x，y之间的偏相关系数,Rxy，Rxz和Ryz分别为变量x与y，x与z，y与z之间的相关系数。

2 结果与分析

2.1 空间分布特征

2.1.1叶面积指数 如基于GRNN反演得到2001—2019年尼洋河流域LAI空间分布图所示(图4)，流域叶面积指数空间分布情况在近19年无明显变化，尼洋河流域地形起伏较大，植被主要沿尼洋河河流周围区域生长，在离河流较远的高海拔区域，很少有植被生长，全年叶面积指数值接近为零。根据MODIS地表覆盖类型(图1)，在尼洋河河流两岸的区域分布有常绿针叶林，因此，即使在第33 d，尼洋河河流两岸大部分区域的叶面积指数值都在1.0以上。在第217 d，沿尼洋河河流周围区域植被叶面积指数值可达5.0以上。

图4 2001—2019年第33 d和第217 d LAI空间分布图Fig.4 The spatial distribution of LAI on the 33rd and 217th days from 2001 to 2019

2.1.2植被覆盖度 基于植被冠层透过率原理将反演得到的LAI数据作为估算植被覆盖度输入数据，得到2001—2019年尼洋河流域植被覆盖度空间分布图(图5)，近19年尼洋河流域植被覆盖度空间分布状况基本无明显变化，与叶面积指数的空间分布特征类似，植被集中覆盖在尼洋河河流周围区域。在第33 d，仅沿河流两岸有常绿针叶林分布的区域，植被覆盖度不为零值，最高可达0.5以上，而在其它离河流较远的区域，植被覆盖度值都接近为零。在第217 d，在尼洋河河流周围区域植被覆盖度值相对较大，在离河流较远的高海拔区域，植被覆盖度值仍接近为零。

2.2 时间序列分析

植被LAI和FVC在时间序列上总体均呈现出轻微改善趋势。近19年尼洋河流域植被LAI整体呈缓慢增加趋势，每年增长速率为0.001 3，多年平均值为0.592 8(图6)。2001—2006年期间，LAI呈明显增加趋势，植被长势良好；2006—2009年，LAI呈下降趋势，植被退化；2009—2013年、2014—2017年期间，LAI呈缓慢增加趋势，植被生长状态有所改善。近19年尼洋河流域植被覆盖度总体保持稳定略增长趋势，每年增长速率为0.000 6，多年平均值为0.273 5。2004—2006年期间，FVC呈明显增加趋势，植被状态良好；2006—2009年和2017—2019年，FVC呈下降趋势，植被生长有所退化；2010—2013年和2014—2017年期间，FVC呈缓慢增加趋势，植被生长状态有所改善。

图5 2001—2019年第33 d和第217 d FVC空间分布图Fig.5 The spatial distribution of FVC on the 33rd and 217th days from 2001 to 2019

图6 LAI和FVC年际变化趋势Fig.6 Inter-annual change trends of LAI and FVC

2.3 流域植被生长状况时空变化

尼洋河流域植被2001—2019年叶面积指数时空变化可反映植被生长状况的总体时空变化趋势。通过对每个像元19年的年平均LAI进行线性拟合，拟合斜率表示逐年变化趋势。利用年最大植被覆盖度确定尼洋河流域2019年四种覆盖类型的空间分布，并对尼洋河流域四种覆盖类型2001—2019年的面积变化进行分析。如图7所示，在尼洋河流域，大部分区域植被呈现增长的态势，增长指数主要集中在0.02之内，增涨幅度较小。相对整个流域植被变化情况而言，出现明显增长趋势的区域主要集中在沿河流两岸，大部分区域增长指数在0.04以上，部分区域峰值可达到0.1，植被生长状况变好趋势明显，但也存在部分区域，LAI呈现明显下降趋势。

图7 2001—2019年LAI变化趋势空间分布图Fig.7 The spatial distribution of LAI change trend from 2001 to 2019

根据尼洋河流域2019年极低、低、中和高覆盖四种类型的空间分布图(图8)，可以看出尼洋河流域主要以中覆盖和极低覆盖类型为主，其次是低覆盖类型。中覆盖类型主要分布在尼洋河流周围区域，而在远离尼洋河的高海拔区域主要为极低覆盖类型。在尼洋河流域(图9)，极低覆盖类型的面积占比呈现下降的趋势，而高覆盖类型的面积占比呈现上升趋势，其它两类覆盖类型的面积占比无明显变化趋势。由四种覆盖类型面积变化趋势图(图10)可知，尼洋河流域2001—2019年高覆盖和中覆盖类型区域面积呈现扩大趋势，极低覆盖和低覆盖类型则逐年缩小，其中极低覆盖类型的面积缩小幅度最大，每年降低速率为16.100，从2001年的5 638 km2减少为2019年的5 311 km2，面积扩张幅度最大的是中覆盖类型区域，每年增长速率为15.205，而高覆盖类型的面积则从2001年的298 km2增加到2019年的318 km2。由此表明极低覆盖类型的区域植被长势逐渐变好，高覆盖类型区域面积增加，尼洋河流域植被逐年呈现改善趋势。

图8 2019年四种覆盖类型空间分布图Fig.8 The spatial distribution of four coverage types in 2019

图9 2001—2019年四种覆盖类型的时间序列变化曲线图Fig.9 Time series change curve of four coverage types from 2001 to 2019

图10 2001—2019年四种覆盖类型面积变化趋势图Fig.10 Change trend chart of four types of coverage area from 2001 to 2019

2.4 水热变化对流域植被影响分析

通过计算尼洋河流域LAI,FVC、气温、降水的标准距平值来分析流域植被对水热的响应情况，标准距平相比于距平能在消除离差的基础上降低自相关误差带来的影响。由图11可知，2001—2019年叶面积指数和植被覆盖度整体呈现出轻微改善的趋势，且两者的变化趋势趋于一致。在2001—2009年，年平均温度在标准距平值—2和2范围内上下波动，于2010—2012年出现下降趋势，在2013—2017年气温逐渐回升并在2017年达到温度峰值，存在明显突变的年份出现在2002年、2009年和2018年。2001—2019年降水基本保持在标准距平值—1和1的范围内，主要呈现上下波动的状态，但在2004—2006年降水出现大幅度下降。由图11可知，尼洋河流域年均气温与LAI,FVC的变化规律不一致。而在2003—2004年和2017—2019年年降水较高的年份内，同时期的植被长势均较差，在2005—2007年和2011—2013年总体降水较低的年份内，植被长势则得到明显改善。由此递推发现，降水量明显升高的年份，植被生长状态不佳。而降水量相对减少的年份，植被长势逐渐改善，表明在降水丰富的尼洋河流域过多的降水对植被生长存在一定的抑制作用。

为了排除影响因素之间的干扰，本文采用偏相关分析方法来探讨气温、降水与植被生长状况之间的相关性，得到2001—2019年LAI与降水量、气温之间的偏相关系数分别为—0.512，—0.137，FVC与降水量、气温之间的偏相关系数分别为-0.433，-0.131，且均通过了0.05的显著性检验，由此表明降水是影响尼洋河流域植被生长的主要影响因素，且与LAI，FVC均呈现负相关关系，而气温对尼洋河流域植被生长影响程度较小。

图11 2001—2015年LAI，FVC与气温、降水标准距平图Fig.11 Standardized anomalies of LAI,FVC,temperature and precipitation from 2001 to 2019

3 讨论

本研究采用的广义回归神经网络的方法与业内其他LAI产品相比，在保证反演数据质量和准确性的基础上生成了更高空间分辨率的LAI和FVC数据集，有效地提升了研究结果的准确性。肖志强等人运用该方法反演LAI亦取得了很好的反演结果[25]。由上述结果可以发现，尼洋河流域的植被生长状况在夏季和冬季存在着明显的差异，这是由于尼洋河流域植被受气候的影响很大，植被需要在适宜的水热条件下才得以生长，而夏季相对于冬季，水热条件更适合植被生长。但当遇到强降水等特殊气候时，尼洋河流域植被生长会受到一定的抑制作用。加之尼洋河流域地质环境条件脆弱，流域内常发生泥石流、崩塌、滑坡等地质灾害，植被生长会受到直接影响。因此，开展流域植被生长状况的时空分析和特殊气候的相关研究，必然成为当前生态科学研究的前沿与热点问题，能为该流域内各类型地质灾害的防治工作提供科学依据和技术支持，也能更好地服务于地区的经济建设[42]。

作为表征气候重要参数的降水和气温，对其进行动态监测，深入剖析水热过程与植被生长状况间的耦合关系至关重要[43]。而全球气候变化背景下的青藏高原暖湿化加剧，增加了尼洋河流域植被生长变化的复杂性和不确定性。尼洋河流域在过去几十年曾暴发过多次大洪水，随着全球气候变暖，出现更多高温、暴雨洪涝、干旱等极端天气的可能性增加[43]。根据上述研究结果表明，相对于气温而言，植被对降水的响应更为敏感，降水是影响尼洋河流域植被生长的主要影响因素，这一结果与卢乔倩等人的研究结果相一致[44]。尼洋河流域位于藏东南地区，降水量丰沛，而过大的降雨量对尼洋河流域植被生长起到了一定程度的抑制作用，两者之间呈现出负相关性。这是由于降水是影响河流水文情势中最活跃的因素，降水量的大小及其时空分布情况，对河川径流、水化学和泥沙等方面的变化均有直接影响[33]。因此，当出现连续强降水的特殊天气时，尼洋河流域内易引发泥石流、滑坡、洪水等地质灾害，致使植被难以生长。因此，进一步加强气象、水文和植被监测等站网建设，提升流域降水、气温等预报工作的准确度，对完善植被保护措施具有重要意义。

由于现有数据的限制，本文仅选择了对植被生长起主要影响作用的温度和降水两个要素来开展植被特征时空变化对水热的响应研究，而其他影响要素(包括蒸散量、相对湿度、日照时数等)对尼洋河流域植被生长的影响程度还有待进一步研究，同时在后续研究中需要兼顾人为因素的作用效果。

4 结论

本研究通过遥感手段，基于广义回归神经网络方法探讨了流域植被参数时空变化特征及其对水热因子的响应情况，发现2001—2019年以来，尼洋河流域植被总体呈现轻微改善趋势，河流两岸植被生长状况明显变好；偏离河流的高海拔区域植被生长状况不佳，并随海拔高度的上升植被状况越差；流域植被覆盖类型以中和极低覆盖为主，中覆盖类型集中于河流两岸，极低覆盖类型分布在远离河流的高海拔区域，极低覆盖区域植被改善，河流两岸的高覆盖类型区域面积增加；相对于气温而言，降水是影响尼洋河流域植被生长的主要因素，过多的降水对植被生长存在一定的抑制作用。研究结果可为进一步完善流域植被管理和保护措施提供参考，对制定区域可持续发展战略具有重要的现实意义。