基于GEE的赣州安远县30年植被覆盖度时空变化分析

洪梓崟, 李满根, 多玲花, 陈念楠

(1.东华理工大学 地球科学学院,江西 南昌 330013;2.东华理工大学 测绘与空间信息工程学院,江西 南昌 330013)

植被作为地理环境和生态系统的重要组成部分,与土壤、气候、水体和全球物质能量循环息息相关(陈康等,2023) 。植被覆盖度(FVC)通常用于衡量生态系统的健康状况和可持续性,是评估时空变化对生态系统影响的重要指标之一(李红梅等,2022;张艳娇等,2023;危金煌等,2021;周丽萍等,2014)。植被覆盖度可以通过遥感、地面调查、激光雷达等技术进行测量,植被生长状况与覆盖度变化也能通过遥感影像有效监测。植被覆盖度的研究对探讨生态环境的变化、制定保护策略及土地开发利用具有重要意义。

植被覆盖度的变化关系一个区域生态环境安全,对于正确处理生态环境保护与人类社会经济发展的关系有重要作用,因此,众多学者开展了不同程度的研究(刘天戈等,2023;李鑫磊等,2023;杨少康等,2022;王一等,2023;丁永康等,2022;王琳等,2022;王国帅等,2022;尹振良等,2022;刘海等,2020;黄振兴等,2022;翟宏宇等,2020;马志勇等,2007;张亮等,2018;金晓媚等,2014;龚斌等,2013;Sen,1968; Hurst,1956; Hu et al.,2018; Yang et al.,2014; Chander et al.,2009)。上述研究主要对大范围植被覆盖度时空变化与驱动因子进行了讨论,而县级小范围区域与空间自相关等方面研究则比较少见。

安远县植被覆盖度高、矿产资源丰富,主要矿产资源包括锰矿、铁矿、铅锌矿和大理石。另外,安远县地处南方稀土成矿带,拥有大面积离子吸附型稀土矿,主要分布在县境内的车头镇、欣山镇、三百山镇等地。随着矿产资源的开发和利用,安远县已成为国家重要的矿产资源储备地。但采矿活动造成地形、地貌景观、植被、耕地的破坏和损毁,因此植被覆盖度的时空变化监测已成为生态环境领域的一个研究重点。本研究基于谷歌地球引擎(GEE)云平台上安远县1991—2021年的Landsat陆地卫星地表反射率数据,利用像元二分模型定量研究安远县30年植被覆盖度时空变化趋势,探讨空间自相关特征及未来趋势变化,对植被覆盖度长时序的动态变化监测成果可为安远县生态环境的保护与管理提供参考。

1 研究区概况

安远县地处江西省南部,隶属赣州市,处于赣江上游,为长江水系和珠江水系的东江源发源地。东与会昌、寻乌县接壤,南接定南县,西连信丰县,北邻于都县,区内高程为131～1 159 m(图1),面积为2 347.96 km2。地貌类型多为山地和丘陵,矿产资源非常丰富。研究区属于亚热带季风性湿润气候,雨热同期,降水丰富,年均温度为18 ℃,年均降水量约1 700 mm, 人口为34.64万。安远县三百山植被类型按照垂直分布划分,由低纬至高纬可分为常绿阔叶林带、常绿落叶阔叶混交林带、落叶阔叶林带、针叶林带、灌木林带五个带。区内植被茂盛,类型复杂繁多,以亚热带常绿阔叶林为主。

图1 安远县位置图Fig.1 Location map of Anyuan county

2 研究方法

2.1 数据来源

本研究使用的Landsat5/8系列遥感影像数据,来源于GEE遥感云计算平台(https://developers.google.cn/earth-engine)。在GEE上调用经大气校正的安远县7期Landsat系列影像,对影像中云、水体、城镇等非植被区域进行掩膜处理,并计算归一化植被指数和植被覆盖度。区内DEM数据来源于地理空间数据云(https://www.gscloud.cn)提供的空间分辨率30 m×30 m,时间分辨率16天的影像数据。

2.2 植被覆盖度计算

植被覆盖度一般通过归一化植被指数NDVI计算得到,计算公式为(陈康等,2023):

(1)

式中,FVC为植被覆盖度,N表示归一化植被指数NDVI值,Nsoil表示全裸土无植被覆盖区域的NDVI值,Nveg表示完全被植被所覆盖的NDVI值。根据相关文献(白欣等,2022),Nsoil和Nveg理论值分别为0和1,但这些像元所表示的区域受地表干湿度、土壤类型、土壤颜色等地理环境差异的影响,其实际值会随时间与空间不同而变化。因此,本研究选取NDVI累积频率范围值中的5%和95%(马志勇等,2007)分别作为Nsoil值和Nveg值。

根据《土壤侵蚀分类分级标准》(中华人民共和国水利部,2008),本研究植被覆盖度分为五个等级,其对应的地表景观如表1所示。

表1 植被覆盖度等级划分及对应地表景观

2.3 植被覆盖度趋势分析

为了更直观反映植被覆盖度在这30年间的长时间序列变化趋势及时空特征,本研究运用Theil-Sen Median趋势类别判断方法(简称Sen法)与Mann-Kendall显著性检验方法(简称MK法)(张亮等,2015)综合分析安远县的植被覆盖度时空变化趋势。Sen法的斜率估计值β计算公式为:

(2)

式中,Mdn表示中位数,xj、xi表示时间序列的数据。i和j分别表示两个数据点在数据集中的索引值,第一个数据的索引值为0,第二个数据的索引值为1,以此类推。∀j>i表示只保留j>i的运算部分,避免重复运算。当β>0时,时间序列上呈现上升趋势;当β<0时,时间序列上呈现下降趋势。Mann-Kendall中统计量S的计算公式为:

(3)

(4)

Var(S)=

(5)

表2 Sen法和MK法检验显著性趋势类别

2.4 赫斯特指数预测

赫斯特指数(Hurst)是研究时间序列规律,描述自相似性和长期依赖性的有效研究方法,通常用重标极差法(R/S)n计算n的变化斜率。计算公式为:

(6)

式中,E表示求得数据的期望值,C表示常数,可以为任意正数值,n为观测的时间跨度(a),R(n)是前n个时间跨度的取值范围,S(n)是时间跨度的标准差,H表示Hurst的得数。赫斯特指数的值域为[0,1],当赫斯特指数大于0.5时,序列具有长期记忆性,表示正持续性,即未来的变化和过去的变化相同;当赫斯特指数小于0.5时,表示时间序列数据呈现出反持续性,即未来变化与过去变化相反;当赫斯特指数等于0.5时,表明时间序列随机不相关,过去、现在和未来互不影响。

2.5 空间自相关

本研究运用莫兰指数来分析研究区植被覆盖度的空间自相关。空间自相关分析可以判断出空间是否出现了集聚或异常值现象,反映一个空间单元属性值与周边空间单元属性值的聚集或差异程度的具体分布,计算公式为:

(7)

(8)

3 结果与分析

3.1 植被覆盖度时空变化特征

3.1.1 时间变化特征

为了分析研究区1991—2021年植被覆盖度时间变化特征,笔者通过Origin统计得到植被覆盖度面积统计图表(图2,表3)。总体来看,研究区高植被覆盖度呈波动增长趋势,较高植被覆盖度呈明显减少趋势,中等、较低和低植被覆盖度呈波动减少趋势。在30年里,较低植被覆盖度减少了80.07 km2,高植被覆盖度区域增加了624.90 km2。其中,高植被覆盖度最大值出现在2021年,达1 712.53 km2,最小值出现在1991年,仅为1 087.63 km2。2006年研究区植被覆盖度稍有退化,较高覆盖度区域比2001年减少145.22 km2;2011年高植被覆盖度区域比2006年减少74.88 km2;2016—2021年覆盖度逐步恢复,2021年高植被覆盖度区域比2011年增加278.86 km2,中等覆盖度、较低覆盖度、低覆盖度区域共比2011减少142.18 km2。

表3 安远县植被覆盖度分级面积变化对照表

图2 安远县植被覆盖度面积统计图Fig.2 Statistical map of the area covered by vegetation in Anyuan county

3.1.2 空间分布特征

1991—2021年安远县植被覆盖度呈波动增长趋势,总体可分为增加-减少-增加三大阶段,如图3所示。第一阶段为1991—2001年,植被覆盖度面积持续扩大,中低覆盖度区域分布在北部高速公路区、中部主城区和南部景区,表现为好转趋势,说明这一阶段内安远县生态恢复综合治理工作相对成功;第二阶段为2006—2011年,植被覆盖度均值有降低趋势,中部城区及南部三百山景区附近覆盖度都有退化,主要是由于气候条件不佳,城市化发展迅速等一些自然与人为因素导致植被修复治理稍有欠缺;第三阶段为2016—2021年,植被逐步恢复,高覆盖度区域面积增加,中低覆盖度区域面积减少。《江西省水土保持公报2022》(1)江西水利厅,2023.江西省水土保持公报2022.显示,这一阶段优化了植被修复措施,增加了教育宣传、基金支持与人力投入,因此近10年植被修复取得了良好的成效,生态环境逐步好转。

图3 安远县植被覆盖度时空变化图Fig.3 Spatial and temporal variation of vegetation cover in Anyuan county

3.1.3 植被覆盖度变化趋势

为了更好地评价区内植被覆盖度近30年演变趋势情况,笔者基于ArcGis和MATLAB软件对安远县植被覆盖度进行Theil-Sen Mediam趋势分析与Mann-Kendall显著性检验结合分析。研究结果如图4与表4所示,研究区植被覆盖情况整体呈现出增加的趋势,其中微显著增加占比最大,为49.97%,主要以斑块状的形态遍布整个研究区,且北部四周较多;显著增加占比8.98%,分布在极显著增加的周围;极显著增加占比为16.53%,主要分布在北部森林区及呈包围状分布在北部高速公路附近。植被覆盖表现为显著减少和微显著减少的区域一共占比0.86%,主要分布在研究区西北端少部分林区;极显著减少区域占比0.03%,主要分布在塘村乡北部区域;双芫乡西北区域、不显著减少占比16.22%,分布在中南部城镇周围;未改变植被覆盖度区域占总面积的7.41%。该研究区在30年里植被改善面积远远大于衰退面积,表明该地的植被修复政策得到了有效实施。

表4 安远县30年植被覆盖面积统计表

图4 安远县30年植被覆盖度趋势变化图Fig.4 Changes in 30 years trend of vegetation cover in Anyuan county

3.2 植被覆盖度变化持续性分析

利用安远县1991—2021年的植被覆盖度计算赫斯特指数,该指数正持续性表示区域未来变化与过去变化相同,反持续性表示区域未来变化与过去变化相反。由图5可看出,安远县植被覆盖度未来变化趋势大部分与过去变化趋势保持一致。将赫斯特指数与Sen法和MK法结合分析得到植被覆盖度预测图(图6)。由图6可知 ,持续性减少与目前增加未来减少的区域主要分布在西北端林区、中部的主城区四周与南部的城镇周边。这部分覆盖度未来可能退化的区域需要研究人员重点关注,找到植被恢复受干扰的原因和制定下一步的修复措施。持续性增加与目前减少未来增加的区域,覆盖度未来朝增长趋势发展,但仍需保持关注和研究,不断改进修复植被的方法。

图5 安远县Hurst指数持续性图 Fig.5 Anyuan county Hurst index persistence chart

图6 基于Hurst指数的植被覆盖度预测图Fig.6 Predictive map of vegetation cover based on the Hurst index

3.3 空间自相关分析

全局空间自相关是从整体上分析研究区植被的变化关系,为了进一步明悉安远县植被覆盖度空间相关与差异,利用1991—2021年研究区30年的NDVI均值,计算了全局莫兰指数。研究区整体为显著的空间正相关(p<0.01,Z=75.998),全局莫兰指数为0.792,即研究区的植被覆盖度呈显著的正相关聚集状态分布。局部空间自相关能精准地分析区域内相邻空间单元的相关性。如图7所示,高聚集-高聚集分布在北部森林区以及东南部三百山风景区,表示该空间单元的植被覆盖度高,其周围点的植被覆盖度也高;低聚集-低聚集主要分布在中部城镇地区,表示该空间单元的植被覆盖度低,其周围点的植被覆盖度也低;低聚集-高聚集空间异常值和高聚集-低聚集空间异常值较少,说明研究区植被覆盖度的极值点是比较少的,需要重点关注西北端的低聚集-高聚集异常值。

图7 安远县植被覆盖度局部自相关LISA散点图Fig.7 Local autocorrelation LISA scatterplot of vegetation cover in Anyuan county

4 结论

选取了1991—2021年7期遥感卫星影像,运用植被归一化指数反演了安远县近30年的植被覆盖度时空演变规律,并对其变化趋势、未来稳定性及空间自相关进行分析,结论如下:

(1)从时间上,安远县在30年里植被覆盖度呈现出逐步增长趋势,除2011年外,其余6期影像较前一期影像植被覆盖度均为上升趋势。2011年研究区植被覆盖度下降,可能是受气温、降水等气候变化和城市扩张共同影响所致。

(2)从空间上,安远县植被覆盖度面积整体为增加趋势。增加区域占比75.48%,退化区域占比17.11%,无变化区域占比7.41%,北部、中部和南部覆盖度均为四周高、中间低,高覆盖度包围低覆盖度。

(3)研究区近30年的植被覆盖度时空变化趋势总体呈增长状态,赫斯特指数模型显示正持续性占据大部分比例,说明未来研究区整体植被覆盖度变化相对稳定,与过去变化保持一致;反持续性占据小部分比例,未来变化与过去变化相反的区域占少部分,需重点关注未来植被退化区域。

(4)研究区植被覆盖度整体表现为显著的正空间自相关,主要聚集在北部、东南部和西南部,呈高聚集-高聚集;中部城区呈低聚集-低聚集现象;少部分区域出现低聚集-高聚集异常值与高聚集-低聚集异常值,异常值区域不利于区域植被恢复与环境修复,为防止植被出现明显衰退现象,需要相关部门持续关注。