2001－2011年甘南草地植被覆盖度动态变化分析

马琳雅，崔霞，冯琦胜，梁天刚

（草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州730020）

植被是生态系统存在的基础，它在陆地表面的能量交换、生物地球化学循环和水文循环过程中扮演着重要的生态角色。植被覆盖度是植物群落覆盖地表状况的一个综合量化指标。它是一个重要的生态气候参数，许多全球及区域气候数值模型和水文生态模型中都需要植被覆盖度的信息［1－4］。因此，建立精准的植被覆盖度估算模型对植被及相关领域的研究具有十分重要的意义。

草地植被覆盖度有遥感测量和地面测量2种方法［5］。地面测量法又可分为目估法、采样法、仪器法和模型法；遥感测量又分为回归模型法、植被指数法和像元分解法［6］。地面实测方法估算植被覆盖度需花费巨大的人力、财力，而且由于植被覆盖度具有显著的时空分异特点，该方法很难在较大的空间范围内达到较高的精度，此外，受时间、区域和天气条件的限制，局限性太大，不易大范围推广。遥感技术由于具有监测范围广、空间连续、周期性短、人力物力耗费较少的特点，为大范围植被覆盖信息的快速提取提供了便利。因此，探讨利用遥感数据提取区域植被覆盖度的方法不仅是当前建立区域生态模型的基础工作，也是开展生态环境恢复评价研究的重点［7］。美国国家航空航天局自1991年开始对地观测系统（Earth Observing System，EOS）计划，重点观测和研究领域包括水与能量循环、海洋、大气化学、陆地表面、水和生态系统过程、冰川和极地冰盖以及固体地球。中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）是EOS最关键的传感器，它的主要任务是一日4次获取主要包括大气、海洋、陆地等地球系统相关要素变化的数据。同时，由于MODIS的数据格式、数据接收及处理技术全部公开和其在全球范围内免费接收的政策，引起了世界各国科学家的浓厚兴趣。我国有关部门对此也极为重视，先后建立了许多MODIS卫星数据接收处理系统并开展了MODIS的应用及研究。MODIS在生态环境质量监测、水环境质量监测、大气气溶胶、城市热岛效应研究等方面，以及在农作物估产、干旱及病虫害监测、秸秆焚烧监测，牧区草地植被与环境变化动态、雪灾监测、火灾监测、病虫害监测等领域已有广泛应用［8－11］。

本项研究利用地面实测样点数据和MODIS植被指数数据，在研究不同植被盖度遥感监测模型基础上，模拟分析2001－2011年甘南州草地生长季期间植被覆盖度的时空变化特征，以期为甘南州草地资源恢复状况的动态监测和评价提供科学依据。

1 材料与方法

1．1 研究区概况

甘南藏族自治州位于甘肃省西南部，地处青藏高原东北边缘与黄土高原接壤带。北纬33°6′～36°10′，东经100°46′～104°44′之间。地势东南低西北高，海拔2800～3200m，年平均气温1～13℃。总面积4．5万km2，草地总面积272．34万hm2，占甘南州总面积的70．28%，可利用面积256．55万hm2，占总草地面积的94．20%，其中80%以上的草场集中连片，且多为山原地貌，地形平坦开阔，有利于牲畜放牧，是甘肃省重要的畜牧业生产基地，也是全国主要的少数民族集聚的草原牧区之一［12－13］，不仅具有极高的经济利用价值，而且是维护黄河、长江源头地区生态安全的重要屏障。甘南有低平地草甸类、暖性草丛类、沼泽类、温性草原类、温性草甸草原类、高寒灌丛草甸类、高寒草甸类等7种草地类型，有黑钙土、高山草甸土、高山灌丛草甸土等29种土壤类型。近30年来，由于人为和自然因素的双重作用，甘南草地出现了严重退化，部分地区甚至出现了沙化和荒漠化的趋势。已有资料显示，目前甘南退化草地面积已达草地总面积的70%以上，其中重度、中度退化草地占退化草地的30%以上，从根本上制约了甘南经济的发展，同时给依赖于甘南草地植被而存在发展的自然生态系统和社会经济系统的安全埋下隐患［14］。

1．2 外业调查数据

图1 研究区草地类型以及2006－2009年野外实测样点分布图Fig．1 The location of study area and samples of different grassland types

本文所用外业调查数据时间范围为2006－2009年7－9月。根据甘南州不同草地类型所占面积比例以及分布特征选取样地，设置样地数目，依据植被的均一程度设置样方数目，以便较大程度地代表不同地段的植被特点。每个样地设置2～3个调查样方，具体调查内容包括植被盖度、草地类型、土壤质地、土地利用状况、植物种类、群落组成等指标，并使用GPS记录样方的经纬度以及海拔。剔除明显异常的记录，2006年调查样点70个，2007年108个，2008年121个，2009年141个，共440个样点，高寒灌丛草甸的样方大小为1m×1m，其余草地样方均为0．5m×0．5m（图1）。

1．3 MODIS植被指数合成数据

遥感数据使用美国宇航局（National Aeronautics and Space Administration，NASA）MODIS陆地产品组按照统一算法开发的月最大合成植被指数产品（MOD13A3），空间分辨率为1000m×1000m。覆盖甘南全州的图像空间位置在全球正弦曲线投影（SINusoidal projection，SIN）系统中的编号为h26v05，资料的版本为5．0，数据格式为EOS－HDF。时间序列为2001－2011年生长季（5－10月）的月合成数据。该数据可以从 NASA对地观测系统数据共享平台（EOS Data Gateway）下载（http：／／delenn．gsfc．nasa．gov／～imswww／pub／imswelcome／）。

MOD13A3产品包含归一化植被指数（NDVI）和增强型植被指数（EVI）2种植被指数数据。其中，NDVI的计算公式为：

式中，NIR和Red分别为红外波段和红光波段经过大气校正的地面反射率。

MODIS－EVI是对AVHRR－NDVI的继承和改进，具体计算公式为：

式中，NIR、Red和Blue分别为经过大气校正的近红外红光和蓝光通道的反射值；L＝1，为土壤调节参数；参数C1和C2分别为6．0和7．5。

1．4 草地植被覆盖度模型

1．4．1 像元二分模型 像元二分模型假定通过遥感传感器所观测到的信息可以表达为由绿色植被部分所贡献的信息和由无植被覆盖（裸土）部分所贡献的信息两部分组成。因此，植被覆盖度估算公式可表示为［4］：

式中，VIsoil代表纯土壤覆盖像元的植被指数；VIveg代表纯植被覆盖像元的植被指数。

依据式（3），基于NDVI和EVI的像元二分模型法反演植被覆盖度的估算公式可以表示为：

式中，NDVIsoil代表纯土壤覆盖像元的NDVI值；NDVIveg代表纯植被覆盖像元的NDVI值。

式中，EVIsoil代表纯土壤覆盖像元的EVI值；EVIveg代表纯植被覆盖像元的EVI值。

利用草地类型图和土壤类型图，可以确定不同草地类型的纯植被覆盖像元的植被指数，根据土壤类型图可确定不同的土壤类型的裸土像元植被指数。

上述公式可以理解为任一像元的NDVI值是由植被和土壤两部分的贡献值所组成，理想状况下，NDVIsoil或EVIsoil值接近于0，而NDVIveg或EVIveg值接近于1。但在实际工作中因缺少大面积地表实测数据作参考，所以通常对NDVI统计直方图给定置信区间，求该区间内的最大和最小值来确定全植被覆盖和全土壤的植被指数。本研究分草地类型和土壤类型计算NDVI和EVI图像统计直方图，然后选取积累百分数为0．5%和99．5%为置信区间。认为各土壤类型积累百分比小于0．5%的为近似纯土壤覆盖区植被指数，作为NDVIsoil或EVIsoil；各草地类型积累百分比大于99．5%的区域为纯植被覆盖区植被指数，作为NDVIveg或EVIveg。

1．4．2 回归模型 回归模型法属于统计模型的一种，又称经验模型法，首先根据样点建立地表实测植被覆盖度与遥感信息之间的估算模型，通过对遥感数据的某一波段或波段组合（如NDVI、EVI等）与植被覆盖度进行回归分析［15－16］，建立经验模型，然后将该模型推广到整个研究区域，计算植被覆盖度。

本文运用SPSS统计软件的回归分析方法，以甘南州为研究区域，将植被指数作为自变量，草地植被覆盖度为因变量，根据各样方的草地植被覆盖度实测数据和其对应的NDVI和EVI等植被指数值，采用线性模型、指数函数、对数函数、乘幂函数模拟分析植被指数同草地植被覆盖度之间的相关关系。

1．5 草地植被盖度反演模型的精度评价

均方根误差 （root－mean－square error，RMSE）以及观测值与模型预测结果之间的相关系数r，常用来描述模型的不确定性，其中，RMSE常用来量化模型精度，而r常被用来评估模型的准确性。通过这2个指标，衡量各个模型的预测能力。RMSE的计算公式如下：

式中，E（yi）表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本总数，RMSE数值越低，表明回归模型更精确。

1．6 草地植被恢复状况分级

依据甘南州草地植被特点，草地盖度分为5个等级：低植被覆盖度（0～20%）、较低植被覆盖度（20%～40%）、中植被覆盖度（40%～60%）、较高植被覆盖度（60%～80%）、高植被覆盖度（80%～100%）。

2 结果与分析

2．1 草地植被盖度遥感反演模型

对植被指数、植被覆盖度建立的模型效果进行F检验后，发现两者差异显著（P＜0．001）。

从回归分析的比较结果（表1）可以看出，对数函数可以较好地模拟MODIS／NDVI和EVI与草地植被覆盖度之间的相关关系。草地植被覆盖度与MODIS－EVI的相关性大于其与MODIS－NDVI间的相关性，基于MODIS－EVI的对数模型的决定系数最高（R＝0．47），均方根误差在所有模型中最低（RMSE＝7．49），而相关系数最高（r＝0．68）。由此可见，基于MODIS－EVI的对数模型为甘南州草地植被覆盖度的最优模型。

2．2 最优统计模型与像元二分模型分区比较

按照甘南州草地植被覆盖度状况划分为4个区间，对MODIS－EVI对数模型和像元二分模型进行精度评价的结果（表2，表3）表明，对数模型在不同区间内估算的草地植被覆盖度均值基本与实测数值相近，而像元二分模型的差异较大；对数模型在不同区间内估算的草地植被覆盖度的标准偏差均小于10，像元二分模型均大于10；在不同区间内，像元二分模型的均方根误差均大于30，远高于对数模型，当草地植被覆盖度达70%以上时，对数模型估算的草地植被覆盖度的RMSE小于10。以上研究结果表明，在不同的草地植被覆盖状况下对数模型均优于像元二分模型。草地植被覆盖度越高，对数反演模型的误差越小；当草地植被覆盖度小于90%时，对数模型有高估草地盖度的趋势。

表1 甘南州草地植被覆盖度反演模型精度比较Table 1 Comparison of the accuracy evaluation between grassland vegetation cover inversion models in Gannan Prefecture

表2 甘南州草地植被覆盖度最优统计模型精度评价结果Table 2 Accuracy evaluation for the optimum statistical model of grassland vegetation cover in Gannan Prefecture

表3 甘南州草地植被覆盖度像元二分模型精度评价结果Table 3 Accuracy evaluation for the pixel－based dimidiate model of grassland vegetation cover in Gannan Prefecture

对EVI分段分析 MODIS EVI对数模型（y＝33．658lnx＋112．65）的精度评价结果表明，研究区草地植被盖度模型的总精度可达93．31%。当EVI大于0．5时，估算精度可达90%以上；当EVI小于0．5时，估计精度达80%以上。EVI值越高，模型反演精度越高，说明草地植被覆盖度越大，模型反演精度越高（表4）。由此可见，EVI更适用于植被覆盖度较高地区的草地监测，EVI对数模型可很好地模拟甘南州草地植被生长状况（5－10月）及其覆盖度变化动态。

表4 甘南州草地植被覆盖度最优拟合模型精度评价结果Table 4 Accuracy evaluation for the optimum simulated model of grassland vegetation cover in Gannan Prefecture

2．3 草地植被盖度月际时空变化特征

通过对EVI对数模型计算的甘南州草地植被11年（2001－2011）生长季期间月平均覆盖度（图2）的分析表明，甘南州在11年生长季期间的月平均草地盖度最高值为99．77%，最低为7．69%。总体上看，甘南草地植被覆盖状况较好，由西向东草地植被总体呈减少趋势，高植被覆盖度地区集中分布在甘南西南部和中部地区，生长季期间不同月份的高植被覆盖度地区的统计面积存在较大变化，其中7、8月高植被覆盖度区域的分布较广。

甘南州近11年期间的草地植被覆盖度最大值出现在2010年7月，达到90．28%；最小值出现在2002年10月，为59．34%。草地植被覆盖度的标准偏差介于6．02%～10．32%（表5），总体上看，不同年份相同月份的草地植被覆盖度变化不大。在草地植被生长季，草地盖度月平均值具有先上升达到峰值后再下降的特点，其变化趋势呈抛物线形状。5月牧草开始返青，草地植被在5、6月期间迅速生长，6月草地植被覆盖度比5月上升约20．67%，6月到7月持续增长，增加率达10．46%；7月和8月为盛草期，在此期间草地植被覆盖度达到最大值，8月后天气转冷，植被开始凋落，覆盖度有下降趋势，但较为缓慢；9月草地植被覆盖度比8月下降约8．57%，9月后草地植被覆盖度下降明显，到10月时下降19．82%。

在近11年间5月的草地植被覆盖度变化范围介于61．95%～70．66%，6月为72．35%～83．42%，7月达86．43%～90．28%，8月为85．84%～89．17%，9月为75．42%～83．37%，10月为59．34%～66．53%。通过比较分析发现，在5月份草地植被覆盖度变化较大，浮动范围约为30%；6月和9月的草地植被覆盖度变化范围较为相近，浮动范围约为25%左右；7月和8月的草地植被覆盖度变化范围较为接近，浮动范围均在20%以内；10月的草地植被覆盖度变化范围约为23%。这是因为不同植被生长期有差异，草地植被多在5月开始返青，长势迅速，因此该月草地植被盖度变化最大；在盛草期内变化幅度较小，各种植被均接近其所能达到的最大植被覆盖度；在秋季，各种类型的草地先后进入枯草期，草地植被覆盖度变化较小。

图2 甘南州2001－2011年草地植被生长季期间的月平均盖度空间分布Fig．2 The spatial distribution of average monthly grassland vegetation cover in Gannan Prefecture during growing seasons from 2001to 2011

表5 甘南州2001－2011年草地植被覆盖度统计Table 5 Result of grassland vegetation cover during 2001－2011in Gannan Prefecture %

2．4 草地植被盖度年际变化特征

图3 甘南州2001－2011年8月高植被覆盖度和较高植被覆盖度区面积对比Fig．3 Comparison of grassland area in August during 2001－2011 between high vegetation cover and higher vegetation cover levels in Gannan Prefecture

甘南州近11年来，草地生长季低植被覆盖度区的面积较小，8月高和较高植被覆盖区面积达23314．45和3497．82km2，分别占全州草地总面积的86．48%和12．97%，其余3个等级的植被平均覆盖区占全州草地总面积的0．55%。说明甘南州盛草期绝大部分区域草地植被覆盖度较高，植被覆盖状况良好。

甘南州草地植被变化主要集中在高、较高和中植被覆盖度的区域之间。从图3可以看出，高和较高2种等级的植被覆盖度有相互转化趋势。2002，2005，2008，2011年高植被覆盖度地区面积明显减小，2005年达到最低值，而较高植被覆盖度的情况正好相反，2002，2005，2008，2011年明显增大，2005年达到最高值。且二者有逐渐靠拢趋势，11年间的前期互相转化幅度较大，后期互相转化幅度较小。在不同年份的生长季，草地植被覆盖度变化幅度较为接近，只有2001年6月数值偏低。

分析草地植被覆盖度年平均值的结果表明，2001－2011年的年平均草地植被覆盖度呈缓慢上升趋势（y＝76．271x0．0106，r＝0．81），近3年（2009－2011年）草地植被覆盖度分别为78．17%，78．27%，78．02%，较其他年份略有上升（表5），近3年的高植被覆盖度区域的面积略有下降，较高植被覆盖度区域的面积略有上升，同时中、低植被覆盖度区域的面积有增大趋势。

3 讨论

本文在甘南地区植被覆盖度统计模型与像元二分模型比较的研究结论，与宋莎［15］对新疆石河子地区的研究结果相似。甘南地区和石河子地区利用像元二分模型法反演的研究区植被覆盖度精度远远不及经验模型的反演精度，从一定程度上反映出像元二分模型法对于反演部分地区的植被覆盖度存在不足。

统计模型法应用简单，易于计算，在较小的空间范围内具有较高的精度，但有一定的局限性，模型的准确性依赖于特定区域或特定植被类型的大量实测数据，受观测时大气状况、土壤状况的影响显著，且随时间、地域、植被类型、生长季节的变化而变化，不易推广［16］。而估算植被盖度的像元二分模型是在若干假设和近似条件下基于遥感植被指数建立起来的，其中植被指数与植被盖度、叶面积指数之间又存在着较为复杂的关系，因此，利用亚像元分解法获得的植被盖度的精度与研究区植被生长状况、计算植被指数的遥感数据空间分辨率、确定裸地与植被纯端元植被指数阈值的准确性等因素紧密相关，该方法的优势是受地域范围的限制较小，可以实现大范围的植被盖度监测，但精度较低［17］。

在植被盖度外业调查中，在地面作大样方并取其中值的方法在一定程度上可以克服由于地面测量和遥感测量之间发生空间位置错配而产生的影响［18－20］。对地表均质性较差的地区，通常植被盖度很高的斑块与植被盖度相当低的斑块相邻，从而导致同一个像素包含大量光谱噪声。无论采用统计模型还是像元二分模型，均会产生较大的误差。所以在这些地区采用这种方法是不适宜的。但是，对于均质性较好的甘南高原或中国北方典型草原而言，该方法还是很有效的。有利于提高植被指数与植被盖度之间相关系数的显著水平，所以利用植被指数NDVI监测草地的植被盖度是比较适宜的，它优于比值植被指数（ratio vegetation index，RVI），也比归一化差异绿度指数（normalized difference green index，NDGI）的效果好。与基于大尺度地面样方的NDVI的植被盖度经验模型相比，利用像元二分模型估测甘南或中国北方温带典型草原植被盖度的精度低于统计模型。像元二分模型的估测误差较大，并且估测精度的波动较大［21］。已有研究证明，MODIS－EVI使植被指数与不同覆盖程度植被的线性关系得到明显改善，尤其在高覆盖区表现良好［22］。甘南州被誉为“亚洲最优质的天然牧场”，草地植被类型较为丰富，植被覆盖度较高，本研究发现EVI的统计模型优于其像元二分模型，也优于NDVI的统计模型和像元二分模型，基于MODIS－EVI的统计模型适于甘南草地植被覆盖度的动态监测。植被指数在草地生长季具有一定的变化规律，植被长势越好，植被指数越高，EVI对数模型可以较好地反映甘南地区草地植被生长过程及其盖度变化规律。然而，用于建模及精度评价的野外实测采样点的选取应遵循以下3条规则：1）地面采样点应能在遥感影像上实现精确定位；2）地面采样点应该最大可能地体现植被和土壤的均质性；3）采样点的植被覆盖度应该处于一定的变化范围内。由于用于建模的地面采样点要进行回归分析，所以地面采样点的数目应该不少于20个。为了满足研究区植被盖度的变化范围，采样点的选取最好采用随机方式［22］。符合以上野外调查原则的观测数据，可用于建立统计模型和检测模型精度。

［1］de Roo A P J，Offermans R J E，Cremers D T．LISEM：A single－event physically based hydrological and erosion model for drainage basinsⅡ：Sensitivity analysis，validation and application［J］．Hydrological Processes，1996，10（8）：1119－1126．

［2］王浩，李文龙，杜国祯，等．基于3S技术的甘南草地覆盖度动态变化研究［J］．草业学报，2012，21（3）：26－37．

［3］花立民．玛曲草原植被NDVI与气候和载畜量变化的关系分析［J］．草业学报，2012，21（4）：224－235．

［4］宋春桥，游松财，刘高焕，等．那曲地区草地植被时空格局与变化及其人文因素影响研究［J］．草业学报，2012，21（3）：1－10．

［5］陈云浩，李晓兵，史培军．北京海淀区植被覆盖的遥感动态研究［J］．植物生态学报，2001，25（5）：588－593．

［6］温庆可，张增祥，刘斌，等．草地覆盖度测算方法研究进展［J］．草业科学，2009，26（12）：30－36．

［7］王春香，张涤非，任万辉．MODIS数据植被覆盖度提取算法比较［J］．大气与环境光学学报，2010，5（6）：457－462．

［8］赵彩霞，施昆，宁平．EOS－MODIS在环境科学中的应用与研究进展［J］．环境科学导刊，2008，27（2）：15－20．

［9］刘闯，文洪涛，赵立成，等．我国EOS－MODIS地面站建设的现状、问题与对策［J］．遥感信息，2003，（4）：42－47．

［10］杨丽萍，杨玉永．EOS－MODIS数据农业应用进展及前景［J］．山东农业科学，2009，（1）：19－22．

［11］严建武，李春娥，袁雷，等．EOS－MODIS数据在草地资源监测中的应用进展综述［J］．草业科学，2008，25（4）：1－4．

［12］梁天刚，崔霞，冯琦胜，等．2001－2008年甘南牧区草地地上生物量与载畜量遥感动态监测［J］．草业学报，2009，18（6）：12－22．

［13］孙海涛，苏静．甘南州产地检疫存在的问题及对策分析［J］．青海畜牧兽医杂志，2010，40（6）：47－48．

［14］朱建国，袁翀．甘南州发展草产业的前景与对策［J］．草业科学，2002，19（2）：26－28．

［15］宋莎．基于多源遥感数据的植被覆盖度研究［D］．雅安：四川农业大学，2010．

［16］邢著荣，冯幼贵，杨贵军，等．基于遥感的植被覆盖度估算方法述评［J］．遥感技术与应用，2009，24（6）：849－854．

［17］顾祝军，曾志远．遥感植被盖度研究［J］．水土保持研究，2005，12（2）：18－21．

［18］Musick H B．Assessment of Landsat Multispectral Scanner spectral indexes for monitoring arid rangeland［J］．IEEE．Transactions on Geoscience and Remote Sensing，1984，22（6）：512－519．

［19］Foran B D．Detection of yearly cover change with Landsat MSS on pastoral landscapes in Central Australia［J］．Remote Sensing of Environment，1987，23：333－350．

［20］Graetz R D，Pech R P，Davis A W．The assessment and monitoring of sparsely vegetated rangelands using calibrated Landsat data［J］．International Journal of Remote Sensing，1988，9（7）：1201－1222．

［21］张云霞，张云飞，李晓兵．地面测量与ASTER影像综合计算植被盖度［J］．生态学报，2007，27（3）：964－976．

［22］王正兴，刘闯．植被指数研究进展：从AVHRR－NDVI到 MODIS－EVI［J］．生态学报，2003，23（5）：979－987．