基于多时相Landsat TM影像的汶川地震灾区河岸带植被覆盖动态监测<br/>——以岷江河谷映秀-汶川段为例

基于多时相Landsat TM影像的汶川地震灾区河岸带植被覆盖动态监测
——以岷江河谷映秀-汶川段为例

2013-09-15许积层

生态学报 2013年16期

许积层，唐斌，卢涛

(1.中国科学院成都生物研究所，成都 610041;2.成都理工大学地球科学学院，成都 610059)

干扰是驱动自然生态系统发展的重要因素之一［1］。地震尤其是大型地震作为一种典型的突发性剧烈扰动，会造成自然生态系统结构和功能部分或彻底的毁坏与瓦解，并将持续影响区域生态系统功能［2］。如果地震发生在山区，其对生态系统的影响就更加明显。因为山地生态系统往往脆弱性更强，抗干扰能力更弱，严重退化后恢复困难［3］。目前已有的关于地震对山地生态系统的研究表明，地震造成的生态系统退化实际上是地质活动与山地表生过程综合驱动的结果［4］。地处青藏高原和四川盆地过渡地带的岷江上游地区是5.12汶川特大地震的重灾区，地震及其次生灾害在该区引发了大面积的滑坡、崩塌、泥石流等灾害，对区域植被及生态环境造成了巨大破坏［5-6］。

作为水陆之间的交错带，河岸带是陆地生态系统和水生生态系统之间进行物质、能量、信息交换的重要生态过渡带，其与河流系统一起构成连接整个流域上下游的廊道，并成为一个连续、独特而完整的系统［7-8］。由于其结构、功能上的特殊性，河岸带已成为生物多样性保护［9-10］以及流域生态水文功能实现［11-12］的热点区域。与此同时，河岸带植被作为河岸景观基质极易受到外部扰动的影响，是潜在的敏感地段［13-14］。已有研究表明，岷江上游干旱河谷地区是受地震影响最为严重的区域之一［6，15］。但目前对于河谷地区河岸带植被地震前后生态过程的变化及灾后植被恢复的进程、速率以及特点等都还不清楚。

植被覆盖度是描述植被质量及反映生态系统变化的重要基本参数［16-17］。目前，植被指数和混合像元分解是提取植被覆盖度的主要方法［18］。由于植被指数在用于植被盖度估算时，往往存在背景污染、饱和及非线性等问题;相比之下，混合像元方法是基于光谱反射前向模型的像元内不同组分丰度的最优化求解，物理意义明确，所得结果即为各种地物的丰度［19-21］。其中，线性光谱混合模型(LSMM，Linear Spectral Mixture Model)目前是国内外研究最深入、应用最广泛的混合像元分解模型，并已在山区［22-24］、干旱半干旱区［25-26］、城市及周边［27-28］等不同区域的植被覆盖度估算中得到成功应用。

岷江上游的干旱河谷地区由于天气及云层掩盖的影响，使得可用于植被覆盖度分析的生长季遥感影像受到了极大的限制，多数影像往往云量多且云层厚，部分甚至整景影像的信息几乎都为云层所屏蔽，失去了使用价值［6］。本研究以受汶川5.12地震破坏最为严重的干旱河谷区河岸带植被为研究对象，利用研究区可获得的质量较高的多时相TM影像，通过线性光谱混合分解模型提取受损植被及植被恢复信息，定量监测其植被动态及空间分布特征，以期为灾后岷江上游乃至相似地区的生态恢复与重建提供理论依据。

1 研究区概况

岷江上游干旱河谷区位于四川省阿坝藏族羌族自治州东部，为横断山区东北缘，大地构造地貌上属青藏高原与四川盆地的过渡地带。该区的主要地质构造为新构造运动强烈的龙门山断裂带，地震活跃，地貌类型以高山峡谷为主，岭谷相对高度在1500—3000m之间［29］。在这种特殊地质地貌以及大气环流的共同作用下，焚风效应显著，年降水量约500—600mm，仅为年蒸发量的1/3;土壤类型主要为贫瘠的山地棕壤土和山地褐土;植被类型多为带刺、多毛、叶片角质发达的灌木，及耐旱种类的草本［30］。

本研究选择岷江上游干旱河谷的映秀汶川段为研究对象。河岸带范围的界定以岷江河道主干东西两侧各1.5km所限定的区域，具体范围介于东经103°27'— 103°36'、北纬31°3'— 31°30'之间，河谷长度59.19km，涵盖面积155.84km2。

2 研究方法

2.1 数据源及遥感数据处理

本研究分别选取成像时间为2007/09/18(震前)、2008/07/18(震后2个月)以及2011/08/28(震后3年)获取的轨道号为130/38的3景Landsat 5 TM影像(数据来源于中国科学院计算机网络信息中心国际科学数据服务平台http://datamirror.csdb.cn/)。利用ENVI 4.6软件对3个时相的TM遥感影像进行几何配准，校正误差严格限制在0.5个像素以内。通过大气辐射定标将DN值转换成反射率，从而消除传感器造成的内部误差。同时采用光谱归一化方法解决地表覆被类型的光谱变异。

DEM数据同样来自于上述数据服务平台，空间分辨率30m。利用ArcGIS 9.3软件对其进行图像镶嵌、投影转换及研究区提取等处理，并提取海拔、坡度及坡向信息。

2.2 基于线性混合像元分解的植被盖度提取

线性光谱混合模型能够区分主要的地表覆被类型，并较好地分解混合像元，直接确定植被覆盖度［31-32］。该模型是指像元的光谱反射率由构成像元的端元(Endmember)的反射率及其所占像元面积百分比为权重值的线性组合，具体表达式为:

式中，Rib为第b波段第i像元的反射率;Fki为第i个像元第k个端元所占像元面积的比例;REkb为第b波段第k个端元的反射率;εib为第b波段第i像元的残差值;n为端元数目，n≤波段数+1。

2.2.1 端元选取

端元的选择是线性光谱混合模型的关键，并直接关系到端元的拟合精度。本研究根据TM影像信息所包含的主要地表覆被类型选择端元。具体步骤为:(1)将3个时相的TM影像进行最小噪声变换(MNF)，进而获得6个MNF主成分，通过目视检验和特征值分析，有超过90%的影像信息集中在前3个主成分，而后3个主成分主要为噪音;(2)将MNF变换后得到的前3个主成份进行像元纯度指数(PPI)计算，利用PPI计算结果进入MNF空间进行N维散度分析，在MNF空间中的PPI多面体顶点选择端元，顶点位置分别对应研究区域的3种主要地表覆被类型:植被、土壤以及阴影，其光谱特征如图1所示;(3)利用上述3个端元对前3个主成份的MNF影像进行分解，得到植被、土壤和阴影3个分量的影像。

2.2.2 精度评价

已有研究表明，通过地面实际测量得到混合像元的比例非常困难［33］。尤其是对缺少站点实测数据且空间异质性较强的山区来说，利用实测资料进行的精度评价其结果往往不具有代表意义。因为遥感影像表现出的是面状信息，以点状资料进行的精度评价只能反映局部信息，而无法从整体上对其特点及质量做出有效评价［34］。因此，本文采用均方根误差(RMSE)评价的方法来进行模型拟合精度验证。结果表明，3个时相TM影像分解的RMSE均值(表1)，均小于0.025，符合线性光谱混合模型精度评价要求［22］。说明通过线性光谱混合模型的方法对研究区植被盖度的变化进行动态监测是可行的。

表1 线性光谱混合分析的均方根误差统计表Table 1 Statistical RMSE of linear spectral unmixing analysis

一般认为，植被分量与可以有效探测植被覆盖状况的NDVI存在密切关系［32］。为了进一步验证所选择线性光谱混合分解模型的正确性及植被分量的可靠性，在各时相植被分量影像和NDVI影像上，随机选择了250个点进行线性拟合，结果决定系数R2均大于0.8(P=0.000)，表明本研究所选择的模型及植被分量都是较为可靠的(图2)。

图2 各时相植被分量与植被指数的回归图Fig．2 The linear regression between GV fraction and NDVI derived from TM images in 2007，2008 and 2011

2.3 植被受损及恢复信息提取

根据研究区的实际情况及野外实地调查验证，采用影像密度分割的方法，当2007—2008年度区域的植被分量减少量≥10%时，将其判别为受损区。在提取出的植被受损区中，当2008—2011年度区域植被分量增加量＞0时，将其判别为植被恢复信息。具体植被受损及恢复等级分类(表2)。

表2 滑坡体受损与恢复植被覆盖度分级Table 2 The classification of the damage and recovery vegetation fraction

3 结果与分析

3.1 植被受损评价

分析结果表明(图3，表4)，地震造成汶川—映秀段河岸带植被的总受损面积为2736.61hm2，占研究区总面积的17.56%。其中以中度、高度植被受损为主，二者的面积为2181.80hm2，占总受损面积的79.76%，且主要集中分布在汶川—映秀段的南半段河岸;而低度受损植被的面积比例仅为20.24%。

表3进一步显示了因地震而造成的植被受损的空间分布特征。可以发现，多达74.92%的植被受损集中分布在海拔1100—1700m之间，海拔1100m以下及1700m以上植被受损面积仅为25.08%。其中植被受损最为严重的区域集中在海拔1300—1500m，面积为758.52hm2;其次分布在海拔1100—1300m，受损面积752.83hm2。坡度25—55°的区间是植被受损的主要分布区，受损面积占总受损面积的82.65%。其中受损最为严重的区域分布在35—45°之间，占总受损面积的42.89%;其次是在坡度25—35°之间的植被受损，占总受损面积的21.64%。就坡向而言，超过50%的植被受损发生在东坡、东南坡和西坡。其中东坡植被受损面积最大，面积为644.03hm2，占总受损面积的23.53%;其次是东南坡，受损面积占总受损面积的15.90%。

表3 植被受损沿海拔、坡度、坡向的空间分布特征Table 3 Proportion of vegetation damage in relation to elevation，slope and aspect with different gradient

3.2 植被恢复评价

分析结果表明(图3，表4)，地震3a后(2011年)，跟震前(2007年)相比，研究区的植被恢复了56.20%，恢复面积为1538.08hm2，其中以中度、低度的植被恢复为主，面积为1496.50hm2，占总恢复面积比例的97.29%。从总体恢复比例来看，低度受损的植被经过3a后已基本恢复，在全区河岸两边都有出现;中度受损的植被面积恢复了57.45%，主要集中分布在汶川—映秀段的南半段河;植被高度恢复的比例仅为5.33%，分布较为零散。

3.3 植被恢复与地形因子的关系

为进一步了解植被受损区植被的恢复状况，本研究分析了植被恢复率与海拔、坡度及坡向的关系。从表5可知，植被恢复主要发生在1100—1700m的海拔区间，面积为1198.60 hm2，占总恢复面积的77.93%。并且，植被恢复程度与海拔总体上呈负相关，即海拔越高，植被恢复率越低。低度恢复主要发生在海拔小于1100m的区域，比例为58.34%;中度植被恢复主要分布在海拔1100—2380m。海拔从1100m增至1900m，低度恢复比例逐渐增大，而中度恢复比例逐渐减小。

图3 2007—2008年植被受损分级与2008—2011年植被恢复分级Fig．3 Spatial distribution of damaged vegetation between 2007—2008 and recovery pattern between 2008—2011

表4 植被受损及恢复状况统计Table 4 Statistics of classified vegetation damages and recovery status

表5 植被恢复与海拔的关系Table 5 Relationship between vegetation recovery and elevation

从表6可知，植被恢复主要发生在25—55°之间，面积为1291.12hm2，占总恢复面积的83.94%。并且，植被恢复与坡度呈现出正相关性。对整个研究区来说，坡度小于25°的区域，植被低度恢复占主导，植被恢复状况相对较差;而坡度大于25°的区域中，植被中度恢复占主导。随着坡度的增大，低度恢复比例逐渐减小，而中度、高度恢复比例逐渐增大。

表6 植被恢复与坡度的关系Table6 Relationship between vegetation recovery and slope

从表7可知，就坡向而言，东坡的植被恢复面积最大，共363.31hm2，其次是东南坡，面积为273.01hm2。而北坡、西坡及西北坡植被的恢复状况不佳，主要以低度恢复占主导。其余坡向则以植被的中度恢复占主导。

表7 植被恢复与坡向的关系Table 7 Relationship between vegetation recovery and aspect

4 结论与讨论

本研究通过线性光谱混合模型对512汶川地震后岷江河谷的河岸带植被进行监测，较好地解决了传统遥感影像中普遍存在的混合像元问题。通过对3个时相TM影像线性光谱分离的植被覆盖度分析，发现因植被受损有74.92%发生在海拔1100—1700m范围，有82.65%集中于坡度25—55°之间，及超过50%的受损分布在东坡、东南坡和西坡;地震3a后，总体来说，滑坡体植被恢复了56.20%，其中以中、低度植被恢复为主。

坡度是导致滑坡及随后植被恢复进程的重要因素［35-38］。本研究植被受损最为集中的范围与前人对于滑坡发生的坡度范围基本一直，他们的研究表明坡度20—50°范围最易发生滑坡［39-41］。这从侧面证明，地震对植被的扰动主要以滑坡的方式体现。本研究中植被恢复与坡度呈正相关，这与Lu等的研究结果类似。这主要是因为进行植被恢复状况分析时，其DEM数据仍是震前的。而实际上，坡度大的地方往往最容易发生滑坡，而滑坡后的坡度往往都比以前的小，因此出现恢复状况与坡度呈正相关的情况。植物恢复与海拔总体上呈负相关，可能主要是因为随着海拔的增高，越远离河谷区，相应地深切割减弱的缘故。植被恢复状况与坡向的关系不显著，这说明就本研究区来说，坡度及海拔对植被恢复的影响效应强于坡向。

本研究中所采用的线性光谱分离(LSU)的方法仍然值得进一步研究。首先，阴影干扰历来都是遥感数据处理中难点，线性光谱混合分析技术也难以完全解决该问题。与其他多数研究一样，本文对阴影的处理，也是把阴影作为一类端元单独提取［22-23，31］。虽然阴影的影响仅局限在阴影范围内，基本能保证非阴影区的精度，但如何消除阴影对线性光谱混合分析的影响，值得进一步研究。其次，本研究中，将2007—2008年度植被覆盖度降低的阈值设置为10%，当降低幅度大于10%时，判别为植被受损区。这样变忽略了植被覆盖度下降幅度介于0—10%之间的区域。之所以设定这样的阈值，是因为根据分析结果，植被丰度下降幅度介于上述区间的区域面积仅占整个研究区面积的0.7%，且往往出现分布不合理的情况，如分布在河道、建设用地及未受损植被区。但尽管如此，如何提高线性光谱分离方法对信息识别精度，值得深入研究。

［1］ Turner M G.Disturbance and landscape dynamics in a changing world.Ecology，2010，91(10):2833-2849.

［2］ Cochard R，Ranamukhaarachchi SL，Shivakoti GP，Shipin O V，Edwards P J，Seeland K T.The2004 tsunami in Aceh and Southern Thailand:a review on coastal ecosystems，wave hazards and vulnerability.Perspectives in Plant Ecology，Evolution and Systematics，2008，10(1):3-40.

［3］ Ouyang Z Y，Xu WH，Wang X Z，Wang WJ，Dong R C，Zheng H，Li D H，Li ZQ，Zhang H F，Zhuang CW.Impact assessment of Wenchuan Earthquake on ecosystems.Acta Ecologica Sinica，2008，28(12):5801-5809.

［4］ Bao W K.Ecological degradation and restoration and reconstruction countermeasures for severe calamity regions in Wenchuan Earthquake in Sichuan.Bulletin of Chinese Academy of Sciences，2008，23(4):324-329.

［5］ Wu N，Lu T，Luo P，Zhu D.A review of the impacts of earthquake on mountain ecosystems:taking 5.12 Wenchuan Earthquake as an example.Acta Ecologica Sinica，2008，28(12):5810-5819.

［6］ Lu T，Zeng H C，Luo Y，Wang Q，Shi F S，Sun G，Wu Y，Wu N.Monitoring vegetation recovery after China's May 2008 Wenchuan earthquake using Landsat TM time-series data:A case study in Mao County.Ecological Research，2012，27(5):955-966.

［7］ McClain M E，Boyer E W，Dent C L，Gergel SE，Grimm N B，Groffman P M，Hart SC，Harvey JW，Johnston CA，Mayorga E，McDowell W H，Pinay G.Biogeochemical hot spots and hot moments at the interface of terrestrial and aquatic ecosystems.Ecosystems，2003，6(4):301-312.

［8］ Ranalli A J，Macalady D L.The importance of the riparian zone and in-stream processes in nitrate attenuation in undisturbed and agricultural watersheds A review of the scientific literature.Journal of Hydrology，2010，389(3/4):406-415.

［9］ Elderd B D.The impact of changing flow regimes on riparian vegetation and the riparian species Mimulus guttatus.Ecological Applications，2003，13(6):1610-1625.

［10］ Helfield JM，Engstrom J，Michel JT，Nilsson C，Jansson R.Effects of river restoration on riparian biodiversity in secondary channels of the Pite River，Sweden.Environmental Management，2012，49(1):130-141.

［11］ Yeakley J A，Coleman D C，Haines B L，Kloeppel B D，Meyer JL，Swank W T，Argo B W，Deal JM，Taylor SF.Hillslope nutrient dynamics following upland riparian vegetation disturbance.Ecosystems，2003，6(2):154-167.

［12］ Hill A R，Duval T P.Beaver dams along an agricultural stream in southern Ontario，Canada:their impact on riparian zone hydrology and nitrogen chemistry.Hydrological Processes，2009，23(9):1324-1336.

［13］ Buijse A D，Coops H，Staras M，Jans L H，Van Geest GJ，Grift R E，Ibelings B W，Oosterberg W，Roozen F CJM.Restoration strategies for river floodplains along large lowland rivers in Europe.Freshwater Biology，2002，47(4):889-907.

［14］ Vidon P.Riparian zone management and environmental quality:a multi-contaminant challenge.Hydrological Processes，2010，24(11):1532-1535.

［15］ Yang X J，Chen L D.Using multi-temporal remote sensor imagery to detect earthquake-triggered landslides.International Journal of Applied Earth Observation and Geoinformation，2010，12(6):487-495.

［16］ Gao Q Z，Li Y E，Lin E D，Jiangcun WZ，Wan Y F，Xiong W，Wang B S，Li WF.Temporal and spatial distribution of grassland degradation in Northern Tibet.Acta Geographica Sinica，2005，60(6):87-95.

［17］ Donohue R J，Mcvicar T R，Roderick M L.Climate-related trends in Australian vegetation cover as inferred from satellite observations，1981—2006.Global Change Biology，2009，15(4):1025-1039.

［18］ Somers B，Asner G P，Tits L，Coppin P.Endmember variability in spectral mixture analysis:a review.Remote Sensing of Environment，2011，115(7):1603-1616.

［19］ Hu JB，Chen W，Li X Y，He X Y.Urban vegetation coverage change inside the Third-Rind Road of Shenyang City，China:a study with linear spectral unmixing technique.Chinese Journal of Applied Ecology，2009，20(5):1140-1146.

［20］ Hu M G，Wang JF.Mixed-pixel decomposition and super-resolution reconstruction of RSimage.Progress in Geography，2010，29(6):747-756.

［21］ Byambakhuu I，Sugita M，Matsushima D.Spectral unmixing model to assess land cover fractions in Mongolian steppe regions.Remote Sensing of Environment，2010，114(10):2361-2372.

［22］ Roberts D A，Gardner M，Church R，Ustin S，Scheer G，Green R O.Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models.Remote Sensing of Environment，1998，65(3):267-279.

［23］ Wan J，Cai Y L.Applying linear spectral unmixing approach to the research of land cover change in Karst area:A case in Guanling County of Guizhou Province.Geographical Research，2003，22(4):439-446.

［24］ Youngentob K N，Roberts D A，Held A A，Dennison P E，Jia X P，Lindenmayer D B.Mapping two Eucalyptus subgenera using multiple endmember spectral mixture analysis and continuum-removed imaging spectrometry data.Remote Sensing of Environment，2011，115(5):1115-1128.

［25］ Theseira M A，Thomas G，Sannier CA D.An evaluation of spectral mixture modelling applied to a semi-arid environment.International Journal of Remote Sensing，2002，23(4):687-700.

［26］ Xiao JF，Moody A.A comparison of methods for estimating fractional green vegetation cover within a desert-to-upland transition zone in central New Mexico，USA.Remote Sensing of Environment，2005，98(2/3):237-250.

［27］ Pu R L，Gong P，Michishita R，Sasagawa T.Spectral mixture analysis for mapping abundance of urban surface components from the Terra/ASTER data.Remote Sensing of Environment，2008，112(3):939-954.

［28］ Xie M M，Wang Y L，Li G C.Spatial variation of impervious surface area and vegetation cover based on SubPixel Model in Shenzhen.Resources Science，2009，31(2):257-264.

［29］ Zhang W H，Lu T，Ma K M，Zhou JY，Li SL.Analysis on the environmental and spatial factors for plant community distribution in the arid valley in the upper reach of Minjiang River.Acta Ecologica Sinica，2004，24(3):552-559.

［30］ Yang Z P，Chang Y，Yang M，Hu Y M，Bu R C，He X Y.Dynamics and influence width of dry valley landscape boundary in upper reaches of Minjiang River.Chinese Journal of Applied Ecology，2007，18(9):1972-1976.

［31］ Elmore A J，Mustard J F，Manning SJ，Lobell D B.Quantifying vegetation change in semiarid environments:precision and accuracy of spectral mixture analysis and the normalized difference vegetation index.Remote Sensing of Environment，2000，73(1):87-102.

［32］ Yingshi Z.A study on environmental change analysis in Sand Hill of Nebraska using remote sensing.Geographical Research，2001，20(2):213-219.

［33］ Hu T G，Zhang JS，Jia B，Pan Y Z，Dong Y S，Li L.Research on LSMM of remote sensing images based on different resolution.Geography and Geo-Information Science，2008，24(3):20-23.

［34］ Chen X N，Bao A M，Zhang H L，Liu M Y.A study on methods and accuracy assessment for extracting snow covered areas from MODISimages based on pixel unmixing:a case on the middle of the Tianshan Mountain.Resources Science，2010，32(9):1761-1768.

［35］ Dai F C，Lee CF.Landslide characteristics and，slope instability modeling using GIS，Lantau Island，Hong Kong.Geomorphology，2002，42(3/4):213-228.

［36］ Lee S.Application of logistic regression model and its validation for landslide susceptibility mapping using GIS and remote sensing data.International Journal of Remote Sensing，2005，26(7):1477-1491.

［37］ Chang K T，Chiang SH，Hsu M L.Modeling typhoon-and earthquake-induced landslides in a mountainous watershed using logistic regression.Geomorphology，2007，89(3/4):335-347.

［38］ Wang H B，Sassa K，Xu W Y.Analysis of a spatial distribution of landslides triggered by the 2004 Chuetsu earthquakes of Niigata Prefecture，Japan.Natural Hazards，2007，41(1):43-60.

［39］ Khazai B，Sitar N.Evaluation of factors controlling earthquake-induced landslides caused by Chi-Chi earthquake and comparison with the Northridge and Loma Prieta events.Engineering Geology，2004，71(1/2):79-95.

［40］ Owen L A，Kamp U，Khattak G A，Harp E L，Keefer D K，Bauer M A.Landslides triggered by the 8 October 2005 Kashmir earthquake.Geomorphology，2008，94(1/2):1-9.

［41］ Huang R Q，Li WL.Analysis of the geo-hazards triggered by the12 May 2008 Wenchuan Earthquake，China.Bulletin of Engineering Geology and the Environment，2009，68(3):363-371.

参考文献:

［3］欧阳志云，徐卫华，王学志，王文杰，董仁才，郑华，李迪华，李智琦，张宏锋，庄长伟.汶川大地震对生态系统的影响.生态学报，2008，28(12):5801-5809.

［4］包维楷.汶川地震重灾区生态退化及其恢复重建对策.中国科学院院刊，2008，23(4):324-329.

［5］吴宁，卢涛，罗鹏，朱单.地震对山地生态系统的影响——以5.12汶川大地震为例.生态学报，2008，28(12):5810-5819.

［16］高清竹，李玉娥，林而达，江村旺扎，万运帆，熊伟，王宝山，李文福.藏北地区草地退化的时空分布特征.地理学报，2005，60(6):965-973.

［19］胡健波，陈玮，李小玉，何兴元.基于线性混合像元分解的沈阳市三环内城市植被盖度变化.应用生态学报，2009，20(5):1140-1146.

［20］胡茂桂，王劲峰.遥感影像混合像元分解及超分辨率重建研究进展.地理科学进展，2010，29(6):747-756.

［23］万军，蔡运龙.应用线性光谱分离技术研究喀斯特地区土地覆被变化——以贵州省关岭县为例.地理研究，2003，22(4):439-446.

［28］谢苗苗，王仰麟，李贵才.基于亚像元分解的不透水表面与植被覆盖空间分异测度—以深圳市为例.资源科学，2009，31(2):257-264.

［29］张文辉，卢涛，马克明，周建云，刘世梁.岷江上游干旱河谷植物群落分布的环境与空间因素分析.生态学报，2004，24(3):552-559.

［30］杨兆平，常禹，杨孟，胡远满，布仁仓，何兴元.岷江上游干旱河谷景观边界动态及其影响域.应用生态学报，2007，18(9):1972-1976.

［32］赵英时.美国中西部沙山地区环境变化的遥感研究.地理研究，2001，20(2):213-219.