福建省长汀县河田水土流失区植被覆盖度变化及其热环境效应

徐涵秋，何 慧，黄绍霖

(福州大学环境与资源学院，福州大学遥感信息工程研究所，福建省水土流失遥感监测评估与灾害防治重点实验，福州 350108)

福建省长汀县是中国南方红壤地区的典型水土流失区，其河田镇一带的水土流失之严重更是一直为各界所瞩目。早在20世纪40年代初，长汀县的河田镇就与甘肃的天水、陕西的长安一起被列为全国的3个重点水土保持试验区，开始水土流失的治理，但收效甚微［1］。长汀县以河田盆地为中心的水土流失治理一直到了80年代才逐渐起效。这主要得益于福建省政府于1983年将长汀河田定为全省治理水土流失的试点，2000年又将其水土流失综合治理列为全省为民办实事项目。经过20多年的整治，长汀县的水土流失治理取得很大的成效［2］，已成为全国有效治理水土流失的典型区。

长汀县水土流失的最重要特征就是大面积的山丘裸露，植被稀少，气候炎热。当地群众将红土遍布的光秃山岭称为“火焰山”。因此，长汀县水土流失的治理主要采用生态恢复，通过种植大量林草来有效控制水土流失，同时也大大改善了区域的生态系统。由于植被是区域生态系统的重要组成部分，它通过蒸腾作用影响着地表的能量平衡，影响着地气之间的热交换形式，对区域气候的调节起着举足轻重的作用［3，4］，因此植被对区域热环境影响的遥感研究已成为近年来的一大热点。其中，基于植被指数或植被覆盖度与地表温度之间关系的研究最多，研究结论基本一致，即植被与地表温度之间呈负相关关系，植被具有降低地表温度的作用［3，5-9］。但许多研究指出，在植被覆盖度与地表温度的相关度要比植被指数来得高，因此建议用植被覆盖度来研究植被的降温关系［9-11］。研究表明，植被覆盖度每增加10%，所产生的地表温度变化范围可从0.3℃至 2℃［8，12-14］。

当前，植被覆盖度对热环境影响的研究几乎都集中在城市区域，而对农村和山区的研究很少。因此，本文将重点研究长汀县河田地区1988—2010年来的植被覆盖度变化及其伴随的热环境效应，这对于了解植被覆盖度变化对山区热环境的影响具有重要的科学意义，对长汀县进一步治理水土流失、恢复生态、改善区域热环境则具有重要的现实意义。

1 方法

1.1 研究区概况

长汀县地处福建西部，地理位置为东经116°00'—116°40'，北纬25°18'—26°02'。长汀属亚热带季风气候，年平均气温18.3℃，年降雨量1500—1700mm。长汀县的地形呈四周隆起，中部下凹的盆地特征，最低海拔210m，最高海拔1459m。从该县1988年的卫星影像可以直观看出(图1)，当时该县大部分为绿被所覆盖，但中部为白中泛红的裸土区，该区即为闻名的长汀河田水土流失区，也被称之为河田盆地。因此，本次研究将主要集中在河田盆地及其周边地区，面积约869 km2(图1)。通过盆地与周边地区的对比来考察它们之间的植被覆盖度和温度变化。

1.2 遥感影像数据及其预处理

图1 研究区及河田盆地位置图Fig.1 Map showing the locations of the study area and the Hetian Basin

当前，对区域热环境的监测主要依靠的是遥感热红外数据，而唯一能够提供20世纪80年代以来连续观测的热红外数据的只有美国的Landsat系列卫星。因此，本次研究选用Landsat TM影像作为遥感数据源。通过对其热红外波段(TM 6)的反演求出河田盆地区不同时期的地表温度，以考察该区的热环境变化。所用的影像的获取时间为:1988-10-16、1998-11-13、2004-10-12和2010-10-29。由于2000年之后是该县重点治理水土流失的十年，所以加入2004年时相，以加密对该时段的考察。

采用美国建立全国土地覆盖数据库(NLCD)使用的标准化流程对影像进行辐射校正，用Chander等［15-16］和Chavez［17］的模型和参数将原始影像的灰度值转换为传感器处反射率，以减少不同时相的影像在地形、光照和大气等方面的差异;不同时相的影像之间采用二次多项式和最邻近象元法进行配准，配准的均方根误差小于0.5个象元。

1.3 植被覆盖度计算

当前，应用遥感技术进行植被覆盖度的估算已经得到广泛的应用。在近期环保部开展的中国近十年生态环境遥感调查项目的技术文件中，植被覆盖度(FVC)的反演采用的是Gutman和Ignatov提出的模型(以下简称Gutman模型)［18］，其主要表达式为:

而另一常用的模型是Carlson和Ripley提出的模型(以下简称Carlson模型)［19］，其表达式为:

式中，ρTM4和ρTM3分别代表TM 4和TM 3波段的反射率;NDVI为归一化植被指数;NDVImin代表纯裸土的NDVI值;NDVImax代表高植被覆盖度的NDVI值。实际操作时，NDVImax取该指数影像的最大值;NDVImin则以影像全裸土象元的 NDVI值代表。1988、2004、2010 年的 NDVImin值分别为:0.031，－0.009，－0.135。经此处理的FVC值都被统一到0—1之间。为和实际的覆盖度对比，也可以将FVC乘100以转化为百分比。

为了更准确地估算河田盆地区的植被覆盖度，本次研究根据模型的数学定义和研究区的实际情况，对二者进行了分析和讨论，以选择合适的模型。对比公式(1)和公式(3)可以发现，两个模型都是将NDVI指数值在其最大和最小值之间进行拉伸，使其归一化。二者的本质区别在于是否对FVC求平方。显然，求过平方的FVC值会明显降低，且在低值处表现得最明显。Carlson和Ripley［19］根据与叶面积指数的对比认为，基于NDVI估算的FVC值在中低植被覆盖区容易造成明显的高估，因此必须对FVC求平方，但求过平方的FVC会在高植被覆盖区造成一定程度的低估。显然，NDVI和FVC并不是一种简单的线性关系［20-21］。据此，可以明确地知道，模型的选择主要取决于所研究地区的植被覆盖度情况，研究区的植被覆盖度不高时，应选择Carlson模型以避免高估植被覆盖度。反之，则应选择Gutman模型，以避免造成高植被区的低估。

为了对比两种模型，分别用以上两种FVC模型反演了研究区2010年10月29日TM影像的植被覆盖度，然后对其进行精度验证。验证采用Wu和Murray提出的与高分辨率影像对比的亚象元对比法。该方法不仅能检验精度，而且还可以将FVC模型求出的植被覆盖度和高分辨率影像所代表的实际植被覆盖度关联起来［22］。首先，在所选择的近同期(2010年12月29日)ALOS 2.5m融合影像上，根据不同的植被覆盖度选用分层随机采样法选取了100个样点，在每个TM 30m象元样点所对应的144个ALOS 2.5m象元中，直接用人工判读并计算出实际植被覆盖度，然后与模型求出的植被覆盖度进行对比，利用回归分析并计算系统误差(SE)来判断精度，SE的公式如下:

式中，FVC'为模型求出的植被覆盖度值;FVC为实际的植被覆盖度值;n为样本数。

精度验证的结果表明(图2)，两个模型都有一定程度地高估实际植被覆盖度，表现在二者的系统误差SE都是正值。但Gutman模型的高估更严重，SE值为18.33，比Carlson模型高出了8.78(图2)。由于河田盆地区是低植被覆盖的水土流失区，因此Carlson经过求平方降低FVC值的模型显然更适合于该区的植被覆盖度估算。另外，Carlson模型与实际植被覆盖度的吻合度(R2)也要明显高于Gutman模型。因此，本次研究选用更适合于低植被覆盖区的Carlson模型来反演植被覆盖度。由于模型估算值已换算为百分率，所以根据系统误差SE判断，模型的反演精度大于90%。

图2 Gutman模型和Carlson模型的精度比较(方程都通过0.1%的显著性检验)Fig.2 Accuracy assessment between Gutman and Carlson models(Equations are significant at 0.001 level)

1.4 地表温度计算

温度主要根据NASA官方的Landsat用户手册［23］进行计算:

式中，L6为Landsat TM热红外6波段的象元在传感器处的辐射值;DN为象元灰度值，gain和bias分别为6波段的增益值与偏置值，可以从影像的头文件获得。

式中，T为传感器处温度值;K1和K2分别为定标参数，K1=607.76 W/(m2·sr－1·μm－1)，K2=1260.56 K。

经过公式(6)计算的温度T必须进行比辐射率纠正［24］才能成为地表温度LST:

式中，λ为TM 6波段的中心波长(λ =11.5 μm);ρ=1.438 ×10－2m K;ε为地表比辐射率，其取值见参考文献［24］。

由于受到影像可获取性的限制，所选用影像的日期不尽一致，所以无法用它们的绝对温度值大小来对比所研究年份之间的温度变化。对此，可以借助城市热岛强度的概念。城市热岛研究中，不同年份之间的城市热岛变化，可以通过考察它们之间的热岛强度变化来确定［25］。城市热岛强度是通过城市和周边农村地区的温差来表征的，因此本研究也可以通过考察河田盆地裸露区内的温度与其周边地区的温度之间的差异来考察不同年份的温度变化，通过计算各年份盆地中的平均温度和周边地区的平均温度差异(以下简称温差)来比较不同年份之间的温度变化。

2 结果与讨论

2.1 植被覆盖度变化

根据Carlson模型分别反演出各研究年份的植被覆盖度(图3)，并计算出它们的植被覆盖度(表1)。从图3可以直观看出，植被覆盖度在这22年里有了明显的增加。具体表现为1988年的植被覆盖度影像最暗，说明植被覆盖度最低;盆地中心除了耕地的斑块外，几乎全为黑色和暗灰色，说明盆地中心基本裸露。而到了2010年，植被覆盖度影像明显变亮，特别是在盆地中部，说明盆地中心的植被覆盖度得以明显增加。表1、表2的数据表明，植被覆盖度影像的均值从1988年的48.83%上升到2010年的59.78%，提升了10.95个百分点，标准差也从16.21%减少到12.88%，说明在这22a里，河田盆地区的植被覆盖度在增加的同时，差异性也在逐渐减小，植被覆盖度趋于统一。如果将研究的时间段分为1988—1998年和1998—2010年两个阶段，则前一个阶段整个研究区植被覆盖度年均增加0.32%，而后一个阶段年均增加达0.65%，比前一个阶段快了1倍多。如果从1998年以后细分的两个阶段来看，1998—2004年年均增加0.68%，2004—2010年为0.62%，慢于前6a。如果单就盆地内而言，其植被覆盖度的增加幅度就更为明显，从1988年的39.09%提升到2010年的53.05%，大幅上升了13.96个百分点。而其中有近10个百分点是1998—2010年的后一阶段增加的。

表1 研究区各年份植被覆盖度Table 1 Statistics of fraction vegetation cover of each study year

表2 研究区植被覆盖度变化Table 2 Changes of fraction vegetation covers between study years

2.2 地表温度变化

图4和表3分别为地表温度的反演和统计结果。总的看来，随着植被覆盖度的升高，河田盆地区的热环境有明显的改善。图4表明，代表高温的亮白和浅灰色调在1988年占据了影像的大部分地区，而到了2010年，影像以灰和暗灰色调为主，亮白色的高温仅零星分布。从表3可知，河田盆地内和盆地外的平均温差从1988年的3.39℃下降到2010年的2.48℃，降低了0.91℃，盆地区的标准差也从1.48℃减少到1.4℃，说明盆地内外的温差在缩小，温度趋于统一。从1988—1998年和1998—2010年两个时间段来看，前一个时段的温差从1988年的3.39℃下降到了1998年的3.29℃，仅降低了0.1℃;而2010年则进一步下降到2.48℃，降低了0.81℃，明显多于前一个时期。如果就1998年以后来看，1998—2004年的6a间下降了0.44℃，而同样的2004—2010年的6a间只下降了0.37℃，少于前6a。

图3 各年份植被覆盖度影像(颜色越浅，植被覆盖度越高)Fig.3 FVC images of each study year(the brighter the image，the higher the fraction vegetation cover)

表3 研究区盆地内外地表温度差异Table 3 Land surface temperature(LST)differences between the area inside and outside basin

2.3 空间分布变化

图5是通过遥感变化检测技术(红绿-差值影像法)［26-27］获得的研究区植被覆盖度和地表温度的变化图。该方法利用三原色原理，以绿色代表植被覆盖度上升或温度降低区，差值越大，颜色越绿;以红色代表植被覆盖度下降或温度上升区，差值越大，颜色越红;而黄色(红绿的混色)则代表植被覆盖度或温度的不变区。

从植被覆盖度变化图来看，盆地周边的地区由于是人类干扰较少的山区，植被覆盖较好，且长时间无明显变化，所以主要呈黄色，代表植被覆盖度基本没变化。而盆地内及其边缘的沟谷区主要呈绿色，说明这22年来，植被覆盖度增加的地区主要在盆地内，长汀县为治理河田盆地内严重的水土流失所采取的封山育林、植树造林的措施收到明显的成效;代表植被覆盖度降低的红色斑块只是零散地分布于研究区中，这主要是位于盆地中心的河田镇区所在地的建设和居住用地的扩张导致的植被覆盖度下降。而部分见于山区的零散红色斑块则是由于火烧山引起的地表裸露造成的植被覆盖度降低。

图4 各年份地表温度影像(颜色越浅，温度越高)Fig.4 Land surface temperature images(LST)of each study year(the brighter the image，the higher the LST)

从地表温度的变化来看，则可以发现，凡是植被覆盖度上升的位置，地表温度就下降，表现为绿色;而植被覆盖度下降得地方，地表温度则表现为上升的红色，红色斑块的位置也基本吻合。可见植被覆盖度的变化直接影响着地表温度的升降，二者有密不可分的关系。

图5 变化检测图植被覆盖度变化地表温度变化Fig.5 Change detection images，FVC change，LST change

2.4 植被覆盖度和地表温度的关系分析

为了进一步分析植被覆盖度的热环境效应，分别将各年份的植被覆盖度影像和它们对应的地表温度影像做回归分析。在影像上按5×5的网格随机采样，每个年份共采23000个样本，大样本量有助于统计分析的代表性和客观性。

图6 植被覆盖度与地表温度关系的回归分析(方程都通过0.1%的显著性检验)Fig.6 Regression analysis of the relationship between fraction vegetation cover and LST(Equations are significant at 0.001 level)

从各年份的回归模型来看，植被覆盖度都和地表温度呈线性负相关关系，说明植被覆盖度的升高会使地表温度降低。从所获得的回归方程来看，在河田盆地区，植被覆盖度每提升10%，最少可以降低0.6℃的地表温度。如果从最新的2010年回归模型来看，植被覆盖度每提升10%，则降低的地表温度可达到1℃，从而不断改善了区域的热环境。

现有植被覆盖度与温度关系的研究都集中在城市区，其地表热交换的形式以建筑不透水面的显热形式为主，植被覆盖度的增加会使得原有的显热交换不同程度地转变为潜热交换，从而导致地表温度下降，但下降幅度因地而异。如植被覆盖度每增加10%，在美国圣巴巴拉市会降低地表温度1.6℃［8］，在长春会降低0.6℃［10］，在深圳会降低 0.3—0.6℃［12］，在上海会降低 0.47℃［13］，在重庆会降低 0.5—2℃［14］。与这些研究不同的是，本次研究区为山区，少有建筑用地，地表以水土流失造成的大片裸土分布为特征。在地表能量平衡中，裸土的土壤热通量是造成地表温度上升的主要原因。因此，水土流失治理增加的植被覆盖度会使地表热交换从原先的土壤热通量为主转变为植被的潜热交换为主，从而降低了地表温度。在所研究的4个年份中，植被覆盖度每增加10%，可减低地表温度0.6—1℃。由于山区与城市的地表覆盖类型明显不同，而城市之间的地表覆盖类型也不尽相同，所以植被覆盖度的降温幅度明显因地而异。

3 结论

长汀县河田盆地区的水土流失治理工作已带来了明显的成效。22a里，该区的植被覆盖度有了明显的增加。整个研究区的平均植被覆盖度从1988年的平均48.83%上升到2010年的59.78%。在这期间，新增的植被大部分都在盆地内，其平均植被覆盖度的增幅明显高于整个研究区。植被覆盖度的上升，使得盆地与周边地区的地表温度差异下降了近1℃，盆地内外温度逐渐统一，盆地内外高温差情况得到改善。从所划分的两个阶段来看，1998—2010年的后一阶段，无论是植被覆盖度的升高或地表温差的降低都要比1988—1998的前一阶段明显。这表明2000年福建省政府将长汀县的水土流失治理列为为民办实事项目后，进一步推进了该区的水土流失治理工作。

河田盆地区的植被覆盖度和地表温度呈明显的线性负相关关系，植被覆盖度每增加10%，大致可降低地表温度0.6—1℃。

在现有两种常用的植被覆盖度遥感估算模型中，Carlson模型比Gutman模型更适合于中低植被覆盖地区的植被覆盖度估算，将其应用于河田盆地区的植被覆盖度反演可获得更高的精度。

［1］ Wu G S，Lin H H，Zhu H J，Sha J M，Dai Y.Spatiotemporal variation of typical red soil eroded landscape pattern:A case study in Changting County of Fujian Province.Chinese Journal of Applied Ecology，2011，22(7):1825-1832.

［2］ Zhao Z B.Study on treatment of soil and water loss area with forest-grass measures in Hetian Basin of Fujian province.Journal of Soil and Water Conservation，1987，(1):37-40.

［3］ Wilson J S，Clay M，Martin E，Stuckey D，Vedder-Risch K.Evaluating environmental influences of zoning in urban ecosystems with remote sensing.Remote Sensing of Environment，2003，86:303-321.

［4］ Carlson T N，Arthur S T.The impact of land use-land cover changes due to urbanization on surface microclimate and hydrology:A satellite perspective.Global Planet Change，2000，25:49-65.

［5］ Zhang Y，Odeh I O A，Han C.Bi-temporal characterization of land surface temperature in relation to impervious surface area，NDVI and NDBI，using a sub-pixel image analysis.International Journal of Applied Earth Observation and Geoinformation，2009，11:256-264.

［6］ Yue W Z，Xu J H，Xu L H.An analysis on eco-environmental effect of urban land use based on remote sensing images:A case study of urban thermal environment and NDVI.Acta Ecologica Sinica，2006，25(5):1450-1460.

［7］ Xu H Q.A new index for delineating built-up land features in satellite imagery.International Journal of Remote Sensing，2008，29(14)，4269-4276.

［8］ Roberts D A，Quattrochi D A，Hulley G C，Hook S J，Green R O.Synergies between VSWIR and TIR data for the urban environment:An evaluation of the potential for the Hyperspectral Infrared Imager(HyspIRI)Decadal Survey mission.Remote sensing of Environment，2012，117:83-101.

［9］ Weng，Q H，Lu D S，Schubring J.Estimation of land surface temperature vegetation abundance relationship for urban heat island studies.Remote sensing of Environment，2004，89(4):467-483.

［10］ Li H P，Zhang S Q，Sun Y.Study of relationship between urban land vegetation coverage and land surface temperature based on linear spectral mixture analysis.Journal of the Graduate School of the Chinese Academy of Sciences，2010，2010，27(6):739-747.

［11］ Zhang C L，Yu H，Gong P，Ju W M.Relationship between land brightness temperature and vegetation abundance in Wuhan city.Scientia Geographica Sinica，2009，29(5):740-744.

［12］ Zhang X F，Wang Y L，Wu J S，Li W F，Li Z G.Study on land surface temperature vegetation cover relationship in urban region:A case in Shenzhen city.Geographical Research，2006，25(3):369-377.

［13］ Li J X，Song Y C，Fu H N.Correlation between land surface temperature and rate of green space coverage in central area of Shanghai.Shanghai Environmental Sciences，2003，22(9):599-601.

［14］ Peng Z，Liao H P，Guo Y T，Li Q.Influence of land cover change on land surface temperature in the mountainous city.Geographical Research，2009，28(3):673-684.

［15］ Chander G，Markham B L.Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges.IEEE Transactions on Geoscience and Remote Sensing，2003，41(11):2674-2677.

［16］ Chander G，Markham B L，Helder DL.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM+，and EO-1 ALI sensors.Remote Sensing of Environment，2009，113:893-903.

［17］ Charvz P S Jr.Image-based atmospheric corrections-Revisited and revised.Photogrammetric Engineering and Remote Sensing，1996，62(9):1025-1036.

［18］ Gutman G，Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models.International Journal of Remote sensing，1998，19(8):1533-1543.

［19］ Carlson T N，Ripley D.On the relation between NDVI，fractional vegetation cover，and leaf area index.Remote Sensing of Environment，1997，62:241-252.

［20］ Jiang Z Y，Huete A R，Chen J，Chen Y H，Li J，Yan G J，Zhang X Y.Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction.Remote Sensing of Environment，2006，101:366-378.

［21］ Weng Q H.Thermal infrared remote sensing for urban climate and environmental studies:methods，applications，and trends.ISPRS Journal of Photogrammetry and Remote Sensing，2009，64(4):335-344.

［22］ Wu C.Murray A T.Estimating impervious surface distribution by spectral mixture analysis.Remote Sensing of Environment，2003，84:493-505.

［23］ NASA.Landsat 7 Science Data Users Handbook.http://landsathandbook.gsfc.nasa.gov(last date accessed:May 5，2012).

［24］ Nichol J.Remote sensing of urban heat islands by day and night.Photogrammetric Engineering and Remote Sensing，2005，71(6):613-621.

［25］ Wang Y，Hu F.Variations of the urban heat island in summer of the recent 10 years over Beijing and its environment effect.Chinese Journal of Geophysics，2006，49(1):61-68.

［26］ ERDAS.ER Mapper User's Guide.2008.http://www.erdas.com/Libraries/Tech_Docs/ERDAS_ER_Mapper_User_s_Guide.sflb.ashx(last date accessed:May 5，2012)

［27］ Xu H Q.Analysis on urban heat island effect on the dynamics of urban surface biophysical descriptors.Acta Ecologica Sinica，2011，31(14):3890-3901.

参考文献:

［1］ 赵昭昞.福建河田盆地水土流失地区用林草措施治理的研究.水土保持学报，1987，1(1):81-89.

［2］ 武国胜，林惠花，朱鹤健，沙晋明，戴文远.典型红壤侵蚀景观的时空变化——以福建长汀为例.应用生态学报，2011，22(7):1825-1832.

［6］ 岳文泽，徐建华，徐丽华.基于遥感影像的城市土地利用生态环境效应研究——以城市热环境和植被指数为例.生态学报，2006，25(5):1450-1460.

［10］ 李华朋，张树清，孙妍.基于光谱混合分析的城市植被覆盖度与地表温度关系的研究.中国科学院研究生院学报，2010，27(6):739-747.

［11］ 张春玲，余华，宫鹏，居为民.武汉市地表亮温与植被覆盖关系定量分析.地理科学，2009，29(5):740-744.

［12］ 张小飞，王仰麟，吴健生，李卫锋，李正国.城市地域地表温度-植被覆盖定量关系分析——以深圳市为例.地理研究，2006，25(3):369-377.

［13］ 李俊祥，宋永昌，傅徽楠.上海市中心城区地表温度与绿地覆盖率相关性研究.上海环境科学，2003，22(9):599-601.

［14］ 彭征，廖和平，郭月婷，李清.山地城市土地覆盖变化对地表温度的影响.地理研究，2009，28(3):673-684.

［25］ 王郁，胡非.近10年来北京夏季城市热岛的变化及环境效应的分析研究.地球物理学报，2006，49(1):61-68.

［27］ 徐涵秋.基于城市地表参数变化的城市热岛效应分析.生态学报，2011，30(14):3890-3901.