长白山西坡施业区森林植被动态变化及其成因1)

徐昶 刘琪璟

(北京林业大学,北京,100083)

天然林资源是中国森林资源的主体,是维持生态平衡和促进可持续发展的重要组成部分[1]。中国的天然林资源保护工程,于1998年开始试点,从2000年开始有序停止采伐天然林,2015年开始全面禁伐天然林。天然林资源保护工程,通过加强森林管理、防治森林病虫害和火灾等一系列措施,有效保护了我国的天然林资源[2]。

天保工程对植被产生的影响,包括碳汇价值、碳储量、水源涵养量、土壤保育格局、森林蓄积量、景观格局等[3-7]。在植被变化监测手段方面,遥感技术以其范围广、精度高、获取信息效率高等优势,成为植被监测的主要手段之一。已有研究利用陆地卫星系列影像[8-10]、中分辨率成像光谱仪(MODIS)卫星影像[11-12],研究天保工程实施后植被的变化过程。以中分辨率长时间序列遥感卫星影像数据为数据源,监测植被变化,是分析区域尺度植被变化的主要手段[13]。陆地卫星数据的干扰和恢复趋势检测(LandTrendr)方法被诸多研究采用,可以满足森林植被变化监测的需求[14-16]。该算法可以提供森林被干扰和恢复发生的时间、地点、强度和面积等多种指标,但数据运算量极大[17]。谷歌地球引擎(GEE)平台可以用于大区域、多尺度海量遥感数据的云端计算,结合干扰和恢复趋势检测方法可以解决该算法运算量大的问题,方便大区域、长时序的森林被干扰的监测[18-21]。

吉林省长白山区域有大面积天然林,森林类型多样,是研究生态系统演化和生物多样性的重要基地,具有区域气候调节、水源涵养等重要作用。对天然林资源进行定量监测和评估,有利于全面、及时、科学地评价天然林资源保护工程的效果。但是,很少有研究依据长时间序列数据分析天保工程区的植被变化,检验天保工程的有效性。为此,本研究以天保工程区之一——吉林森工集团松江河林业有限公司的林区为例(研究区),在谷歌地球引擎平台上选取1990—2021年间所有可用的陆地卫星数据,经预处理、修正,计算归一化植被指数(NDVI),以最大值合成法求得年均值,获得研究区1990—2021年间的植被覆盖变化数据;根据研究区情况及实际需要,将土地覆盖类型分类为落叶阔叶林、常绿针叶林、落叶针叶林、针阔混交林、耕地、草地、水体、人造地表,由高精度地表覆盖分类数据集(GLC_FCS30)获得1990、2000、2010、2020年4期土地覆盖(利用)数据。应用Sen+MK趋势分析,监测植被变化趋势;应用干扰和恢复趋势检测方法,选取归一化燃烧率构建时间序列数据,监测森林被干扰;分析天保工程区森林植被的动态变化特征及其成因。旨在为检验天然林保护工程在保护和恢复森林资源方面的有效性、为制定生态保护和可持续发展的科学决策提供参考。

1 研究区概况

研究区为吉林森工集团松江河林业有限公司,所管辖的地域总面积为1582km2,位于吉林省东部、长白山西麓;地理位置为127°12′～127°55′E、41°44′～42°21′N(见图1)。该区属温带大陆性季风山地气候,年均气温3.7 ℃,年均日照时间2 352.5 h,年降水量600～825 mm,且降水主要集中在6—8月份。主要树种为红松(Pinuskoraiensis)、蒙古栎(Quercusmongolica)、紫椴(Tiliaamurensis)、红皮云杉(Piceakoraiensis)、长白落叶松(Larixolgensis)等。

图1 研究区位置及数字高程图

2 材料与方法

2.1 数据来源及预处理

遥感数据收集与处理:本研究遥感数据采用1990—2021年Landsat TM/ETM+/OLI地表反射率数据集(SR),来源于美国地质调查局,存储于谷歌地球引擎(GEE)云平台。该数据集已经过大气校正,其时间分辨率为16 d,空间分辨率为30 m×30 m。本研究依据谷歌地球引擎平台的数据预处理,采用脚本(JS)编程语言进行。在谷歌地球引擎平台上选取1990—2021年间所有可用的陆地卫星数据。其中1990—2011年、2012年、2013—2021年数据,分别采用美国陆地卫星的第五颗卫星919景、美国陆地卫星的第七颗卫星39景、美国陆地卫星的第八颗卫星461景,共1419景。然后,进行预处理和修正,包括掩膜裁剪和去云等。去云采用云和阴影掩膜(CFMask)算法。最后,通过计算归一化植被指数(NDVI)并以最大值合成法求得年均值,获得研究区1990—2021年间的植被覆盖变化数据。

土地覆盖类型数据:土地覆盖(利用)数据集,包括1990、2000、2010、2020年4期数据,来自中国科学院遥感与数字地球研究所开发的高精度地表覆盖分类数据集(GLC_FCS30)。该数据集的空间分辨率为30 m,坐标系为WGS-1984坐标系,拥有30个精细类别。本研究根据研究区情况及实际需要,将土地覆盖类型重分类为落叶阔叶林、常绿针叶林、落叶针叶林、针阔混交林、耕地、草地、水体、人造地表。

2.2 归一化植被指数变化的Sen+MK趋势分析方法

Sen斜率估计(Sen)+曼-肯德尔(Mann-Kendall)趋势分析方法,可用于检测归一化植被指数时间序列中的趋势性变化[22-24]。本研究使用Sen+MK方法进行趋势分析,得到归一化植被指数的变化趋势。与一元线性回归趋势分析法相比,其可以更好地应对数据中存在的随机噪声等问题,更准确地反映归一化植被指数的空间演变特征[25]。

Sen斜率估计(Sen)的计算公式为:β=Median[(INDV,j-INDV,i)/(j-i)],10)或下降(β<0)趋势;Median表示取中值;i为第i年;j为第j年;INDV,i为第i年的归一化植被指数值;INDV,j为第j年的归一化植被指数值。

使用样本统计量(Z)进行趋势检验,Z值的计算方法为:当S>0时,Z=S/[Var(S)]1/2;当S=0时,Z=0;当S<0时,Z=(S+1)/[Var(S)]1/2。Var(S)=n(n-1)(2n+5)/18,式中的n为时间序列的长度。

给定显著性水平为α=0.05,对应的左尾分位点u(α/2)=1.96[26-27]。研究区植被的变化类型及趋势显著性的判断方法见表1。

表1 植被变化类型及趋势特征的曼-肯德尔(M-K)检验趋势类别

2.3 干扰森林植被因素的检测方法

时间序列分割算法(干扰和恢复趋势检测(LandTrendr)算法)可检测出森林被干扰发生的时间、地点和面积等指标[28]。本研究的干扰和恢复趋势检测算法在谷歌地球引擎平台上实现。

已有研究表明,与归一化植被指数相比,归一化燃烧率(RNB)对干扰森林事件具有更强的敏感性,能抵抗噪音干扰,减小误差[29-30]。故本研究采用归一化燃烧率构建时间序列数据,监测植被变化。RNB=(RNI-RSWI)/(RNI+RSWI);式中的RNI为近红外波段波长,RSWI为短波中红外波段波长。

干扰和恢复趋势检测算法可以根据不同的应用场景和需求,灵活地调整算法的参数。本研究干扰和恢复趋势检测的参数设置见表2。

表2 干扰和恢复趋势检测算法参数设置

3 结果与分析

3.1 土地覆盖类型时空变化特征

研究区1990—2020年土地覆盖类型,为落叶阔叶林、常绿针叶林、落叶针叶林、针阔混交林、耕地、草地、水体、人造地表。其中各类型林地面积之和增加,落叶阔叶林表现出明显减少的趋势,草地面积略有减少,落叶针叶林的增长幅度最大,针阔混交林、常绿针叶林、耕地、水体、人造地表面积均有所增加(见表3、表4)。

表3 研究区1990—2020年土地覆盖面积

表4 研究区1990—2020年土地覆盖类型总面积的变化情况

由图2可见:主要土地覆盖类型为各类型林地,其中又以落叶阔叶林为主,占研究区的绝大部分,但落叶针叶林的占比呈现增加的趋势;人造地表主要集中在西部地区,占比较少,总体呈现增加趋势。

图2 研究区不同时期土地覆盖分类

3.2 研究区植被时间和空间的变化特征

研究区1990—2021年归一化植被指数平均值为0.82,呈现出波动上升的趋势(见图3)。其中1990—2000年增速为0.000 5%/a,增速较小且波动较大;2000—2015年增速为0.003 6%/a,增速明显加快且波动减小;2015年之后研究区的归一化植被指数值稳定于较高水平。

图3 1990—2021年归一化植被指数时间变化曲线

结合图3以及归一化植被指数变化类型图(见图4、图5)可见:研究区大部分地区的归一化植被指数都呈现增长趋势,而减少的情况主要分布于西部地区和中部小部分地区。2000—2015年归一化植被指数整体增速最大,1990—2000年整体增速最小,2015—2021年植被变化程度最小。

图4 1990—2021年归一化植被指数变化趋势

图5 1990—2021年归一化植被指数变化类型

由表5可见:1990—2000年植被覆盖不显著增加的面积占比最大,其次是不显著减少的面积,二者合计为94.31%;2000—2015年,极显著增加、显著增加和微显著增加3种类型的面积增加幅度较大,同时归一化植被指数呈现减少趋势的占比降低(仅为4.88%);2015—2021年,研究区大部分地区的植被都呈现不显著变化趋势,该趋势占比为89.19%,植被的整体变化较为稳定。

表5 研究区不同时期植被变化类型像元数量及比例

3.3 森林植被被干扰的时空分布特征

由研究区森林植被年被干扰面积与研究区的面积比(年被干扰面积比)可见,总体呈现不规律的波动(见图6)。但是,年被干扰面积比的斜率为负值,平均每年减少0.009 34%(0.15 km2)。其中,1990—2000年的平均年被干扰面积比为23.0%,2000—2015年的平均年被干扰面积比为4.0%,2015—2021年的平均年被干扰面积比为0.5%。

公式中的t为干扰时间(单位为a)。

由图7可见:1990—2021年,总的森林被干扰面积为3.6 km2。多年份的森林被干扰地区分布于整个研究区,但主要集中于中部和西部,即人类活动频繁的地区。中部地区曾于2006年修建长白山机场,西部地区城镇面积扩大,人类干扰频繁;其余零散分布的干扰地带为各年份进行作业的伐区。通过查阅林相图可知,2015年之后的伐区均位于人工林内,为合法的人工林采伐,因为天然林采伐已被全面禁止。随着年份的推移,干扰面积逐渐减少。

图7 研究区1990—2021年森林被干扰年份的时间空间格局

4 结论与讨论

由研究结果可知,天保工程实施使森林质量得到提高。研究区2000年之前的森林植被归一化植被指数总体偏低,增速小、波动大,且大面积的植被呈现退化趋势;研究区于2000年开始有序禁伐天然林之后,森林植被开始整体呈现增加趋势,归一化植被指数增速加快、呈现增长趋势的植被面积增多,显著增长的植被面积增多;2015年全面禁伐天然林之后,植被变化趋势减缓,显著减少的植被面积也进一步减少,归一化植被指数总体稳定于较高水平。上述变化趋势与天保工程的政策实施时间节点基本一致,证明天保工程政策对研究区的森林植被恢复具有积极影响。本研究森林被干扰的检测结果表明,2000年之前,研究区森林植被的平均年被干扰面积最大,2000—2015年的平均年被干扰面积减小,2015—2021年的平均年被干扰面积最小,可见天保工程减少了研究区的森林被干扰面积,森林植被得到有效保护。归一化植被指数总体上升,说明研究区森林质量在逐渐恢复和提高。

天保工程实施前,天然林的商业性采伐,导致天然林资源大幅减少、生物多样性锐减、水土流失严重[31-32]。1998年特大洪灾之后,国家开始试点天然林保护工程,并于2000年开始在全国共17个省(区、市)全面实施。经过20多年的保护培育,工程建设取得显著成效,1.296亿hm2天然乔木林得到严格保护。天保工程取得的巨大成果,为其他生态恢复工程的实施提供了宝贵的经验和启发。首先,生态恢复工程的顺利实施,需要科学有效的政策支持;其次,天保工程历时20 a,取得了显著成果,表明生态恢复是一个漫长的过程,生态恢复工程需要长期投入、持续努力和循序渐进的政策实施,才能对生态环境的恢复起到有效作用;此外,生态恢复工程的实施,需要综合考虑生态系统恢复力和外界干扰情况,结合当地的经济和社会发展水平,选择生态恢复方式,以实现经济和生态的可持续发展[33]。

本研究结果证明了使用遥感和云计算技术监测植被变化的重要性。遥感和云计算技术,能够快速有效地分析大量的数据,对生态恢复工程的效果进行监测和评估,对于促进生态恢复工程的顺利实施具有重要作用。遥感和云计算技术,可以快速、准确地获取有关植被分布、生长情况、变化趋势等方面的信息,这些信息对于了解植被的生长状况、评估生态系统的健康状况、制定有效的生态保护措施等方面都具有重要意义[34-35]。此外,遥感和云计算技术,还能够对植被变化进行长期的监测和跟踪。通过定期获取遥感数据并利用云计算技术进行处理,可以对植被变化进行长期监测和跟踪,及时发现问题并采取相应的措施。

本研究为天保工程在促进研究区植被恢复方面的成效提供了有效的证据,能够为中国未来的生态恢复工程的规划和实施提供参考。但是,本研究仍有一些局限性,例如,研究只关注了天保工程的一个工程区。未来的研究可以扩展到全国其他地区的天保工程区,将各工程区取得的成效进行对比,分析不同工程区具有不同成效的因素,以提供对生态恢复工程更全面的了解。