APP下载

基于MODIS NDVI的广西沿海植被动态及其主要驱动因素

2017-04-10成方妍刘世梁尹艺洁吕一河安南南刘昕明

生态学报 2017年3期
关键词:滨海植被趋势

成方妍,刘世梁,*,尹艺洁,吕一河,安南南,刘昕明

1 北京师范大学环境学院, 北京 100875 2 中国科学院生态环境研究中心城市与区域生态国家重点实验室, 北京 100085 3 广西壮族自治区海洋研究院, 南宁 530022

基于MODIS NDVI的广西沿海植被动态及其主要驱动因素

成方妍1,刘世梁1,*,尹艺洁1,吕一河2,安南南1,刘昕明3

1 北京师范大学环境学院, 北京 100875 2 中国科学院生态环境研究中心城市与区域生态国家重点实验室, 北京 100085 3 广西壮族自治区海洋研究院, 南宁 530022

归一化植被指数(NDVI)可以表征区域植被状况,目前利用NDVI表征沿海区域植被动态的研究仍相对缺乏。以MODIS NDVI为源数据,分析2000—2014年间,广西沿海区域的植被动态、NDVI动态趋势和持续性,以及NDVI动态的主要驱动因素。结果表明:在海岸线10 km区域范围内,NDVI均值较高(0.71),年际间波动较小(SD为0.02)。空间上,NDVI呈现出陆地高、滨海和河口区域低的分布特征,不同类型植被NDVI差异显著,以广泛分布于陆地的林地最高(0.76),以滨海湿地植被(0.52)和其他类型植被(未利用地等)最低(0.50)。植被动态趋势(斜率k)表明,57%的林地表现为改善趋势(k≥0.002),而52%的滨海湿地则表现为退化趋势(k≤-0.002)。利用Hurst指数对生态持续性进行分析,林地、旱地表现为持续改善,滨海湿地呈现持续退化的趋势。驱动因素分析表明,气象因素对植被NDVI的影响均不显著,NDVI的动态主要受地形特征和人为因素的影响,NDVI及其动态趋势与复合地形指数和距河流的距离多呈负相关,与坡度、高程、距交通线路和城镇的距离多为正相关。总体上,区域内NDVI动态趋势以良性发展为主,但滨海湿地等呈现持续退化的区域需持续关注。

滨海区域;时空变化;趋势分析;Hurst指数;驱动因素

植被动态受气候条件、地形地貌以及人类活动的影响,是反映区域生态环境状况的重要指标[1- 3]。归一化植被指数(NDVI)削弱了大气层和地形阴影的影响,对地表植被的覆盖程度非常敏感,是检测和指示植被覆盖状况和动态的常用指标之一[4-5]。NDVI时序数据在植被监测、物候预测和灾难预测等方面均得到了广泛的应用[4, 6]。

广西沿海的湿地面积广阔,资源丰富,具有较高的生态功能和社会价值。近年来,随着广西沿海经济的快速发展,人类活动愈发密集,大量的滨海湿地转变为咸水养殖场,过度的开发利用,导致处于海路交互核心区的滨海过渡带的生态环境敏感而脆弱,严重破坏了滨海湿地区域的生态平衡[22]。该文选取2000—2014年广西沿海区域生长季盛期的MOD13Q1影像,沿海岸线向内陆方向设定10 km的缓冲区作为研究区域,利用最大值合成法分析NDVI时间序列的时空分布动态,采用一元线性回归方程斜率k和Hurst指数研究不同类型植被NDVI的动态趋势特征以及持续性,探讨NDVI时间序列波动的主要驱动因素,为沿海区域植被的利用和保护提供基础数据和理论依据。

1 研究地概况和研究方法

1.1 研究区概况

广西沿海区域位于广西壮族自治区最南端,从东至西分属北海市、钦州市和防城港市管辖。海岸线东起两广交界的洗米河口,西至中越边界的北仑河,长1 629 m,有6条主要河流入海。属于南亚热带海洋性季风气候,广西沿海区域陆域自海岸线向陆延伸10 km范围内地形海拔均小于300 m。海岸各地年平均气温在21—24 ℃之间,最高38 ℃,最低-2 ℃;年降水量在2 141—2 771 mm之间,平均年蒸发量在1 428—1 831 mm之间;年平均相对湿度为79%—82%;年日照时数在1 540—2 232 h之间。广西海岸带天然植被包括针叶林、常绿季雨林、红树林、竹林等类型,针叶林主要为南亚松林和马尾松林,常绿季雨林主要有箭毒木片林、格木片林等,红树林主要树种有白骨壤、桐花树等,竹林代表种为刺竹;人工植被有经济林、防护林、农作物群落及少量的香蕉果园。沿海区域人工地貌突出,河口三角洲及海积平原已大面积开辟为海水养殖场。

图1 广西沿海区域位置示意图 Fig.1 Geographical location of the coastland of GuangxiBL:北仑河口; ZZ:珍珠湾; FC:防城港湾; MW:茅尾海; QZ:钦州湾; DF:大凤江口; NL:南流江口; LZ:廉州湾; TS:铁山港湾; DD:丹兜海

1.2 研究数据

该研究中NDVI数据来源于美国宇航局(NASA)的MODIS植被指数产品数据MOD13Q1,该数据基于最大合成法,产品数据经过几何和大气校正,每16 d合成,空间分辨率250 m。该研究选取2000至2014年7至9月的影像为研究对象,该时期也是年内植被覆盖程度最高的月份[19],利用Envi4.7对原始影像进行预处理。

图2 不同尺度缓冲区内土地利用结构Fig.2 Land-use composition of different buffer zones

鉴于滨海湿地具有带状特征[7],以海岸线为基线,1 km为间隔,从海岸线向内作15 km的环状缓冲带[23],土地利用变化在7 km处趋于平稳,在13 km处又出现波动(图2),故研究区域以广西海岸线为起点,向陆延伸10 km的带状区域。基于对广西滨海湿地的调查发现,滨海红树林、潮间带等分布范围在3 km范围内,对于景观动态来说,10 km范围内的植被的变化也是最为显著区域。

印尼是“21世纪海上丝绸之路”的重要支点,我国的“一带一路”倡议和印尼的“海洋强国战略”高度契合。投资达瑞铅锌矿项目显示了中色股份积极践行“一带一路”倡议、努力推进两国产业合作,为实现中印互利共赢、促进两国的经济社会发展贡献力量。

土地覆被数据产品(MCD12Q1),是综合MODIS TERRA和MODIS AQUA土地覆被数据产品产生,考虑研究区内主要的植被类型,将区域内土地覆被类型简化为6类:林地、旱地、水田、居住地(包括交通用地)、湿地和其他(荒地、未利用地等)。广西滨海区域的DEM高程数据通过全国1∶25万DEM提取和计算,气象数据来源于国家气象信息中心。

1.3 分析方法

探讨沿海区域植被覆盖的年际变化规律,利用最大值合成法获取每年生长季盛期(7至9月)NDVI影像的最大值,代表当年的植被覆盖状况[24]。分析研究区域NDVI空间分布特征时,则取15年NDVI的平均值,以此代表研究区多年的平均植被覆盖情况。采用趋势线分析法模拟植被覆盖的年际变化趋势[25],利用Hurst指数指示变化趋势的生态持续性[26],并在此基础上分析植被覆盖变化的主要驱动因素。同时,利用ANOVA单因素方差分析不同类型植被覆盖程度差异的显著性水平。

1.3.1 NDVI的年际变化趋势

NDVI的年际变化趋势,以各栅格多年数值最小次方线性回归方程的斜率表示[27],具体公式如下:

(1)

式中,n为15,i为年序号,MNDVI,i为第i年的NDVI。其中,当k>0时,说明植被覆盖在15年间的变化趋势是增加的;反之,则减少。当前,k值变化趋势的划分并没有统一标准[25, 28-29],考虑研究区中NDVI的整体分布情况,通过计算k值的变化,研究发现k值基本符合正态分布,故利用等间距划分法,将植被覆盖变化划分为5个等级,分别为退化(k≤-0.002)、轻度退化(-0.002≤k<-0.001)、稳定不变(-0.001≤k<0.001)、轻度改善(0.001≤k<0.002)和改善(k≥0.002)。ANOVA结果表明,不同等级间差异显著(F468021=222400,P<0.001)。

1.3.2 植被变化趋势的持续性

Hurst指数(H)是定量描述时间序列长程依赖性的主要方法之一,当0.5

(2)

(3)

(4)

(5)

对于比值Rτ/Sτ≜R/S,若R/S∝τH,则说明该时间序列存在Hurst现象。H值由lg(R/S)n=a +H×lg(n)利用最小二乘法拟合得到。由于τ值小时散点稀疏,而τ值大时散点则相对过于密集,这样在利用最小二乘法线性拟合时斜率会受到权重的影响,研究取τ≥4[26]。

1.3.3 植被NDVI变化的驱动因素

考虑到光、热、水是影响植物生长的主要气象因素,选取月气温、降水和日照数据(东兴市、防城港市、钦州市和北海市4个气象站点平均),分析研究区内NDVI值与气象因素的相关性。由于气象因素之间可能存在的相关性[3],探讨NDVI与不同气象因素的相关关系时采用偏相关分析。该研究的NDVI影像取自7至9月,考虑到气象因素对植被的影响可能具有“时滞效应”,因此从6—9月的气象数据中,分别提取单月、双月及3个月平均值进行相关性分析。

除了气候因素,地形特征和人类活动也是影响植被覆盖时空变化的重要因素[16,30]。参考以往研究,选择复合地形指数CTI(表征空间位置的综合水热条件[31]),坡度(%),坡向(按顺时针方向从正北的0°到360°)和高程表征地形特征[16,31-32]。从人类活动角度出发考虑,城镇是人类活动的核心区域,而河流往往是人类居住区的重要考虑因素,不同居住区间又以道路网络相连接,考虑研究区位于滨海区域并参考以往研究[16,31,33],该研究选取了4个因素代表人类活动对植被覆盖的干扰,分别为距河流、交通路线、城镇和海岸线的距离。基于DEM数据,利用ArcGIS10.2的空间分析模块与Geomorphometry软件得到CTI,坡度,坡向,高程,距河流距离、距交通路线距离、距城镇距离和距海岸线距离。分别分析区域内各栅格多年平均NDVI和k值与以上影响因素的相关性,探讨NDVI年际波动的主要驱动因素。由于坡向是一环形变量,分别对其求正弦、余弦值进行变换,生成2个新的亚变量,进行相关分析,正弦值表示朝东的程度,余弦值表示朝北的程度[32]。

2 结果和分析

2.1 植被覆盖的时间变化特征

图3 2000—2014年广西沿海区域NDVI的年际变化 Fig.3 Inter-annual variations of NDVI in the coastland of Guangxi from 2000 to 2014

2000至2014年间,沿海区域NDVI在0.68至0.76之间波动,NDVI的多年平均值为0.71,年际间差异较小,SD为0.02(图3)。其中,2007至2011年间,区域NDVI值偏高,波动在0.71至0.76之间。

2.2 植被覆盖的空间分布特征

广西沿海区域NDVI的空间分布呈现出陆地高,滨海和河流下游低的分布特征(图4),陆地土地覆被类型多为林地和旱地,而滨海和河流下游区域居住区和其他覆被类型广泛分布。NDVI小于0.1的区域主要分布在防城港湾、钦州湾、大凤江口、南流江口和铁山港湾沿岸,多为其他覆被类型(图4、5)。整体上,NDVI大于0.7的高植被覆盖区域占区域总面积的70%,0.3—0.7之间的植被覆盖区域占26%,NDVI小于0.1的区域占1%。

图4 2000—2014年广西沿海区域NDVI的空间分布Fig.4 Spatial distribution of NDVI in coastland of Guangxi from 2000 to 2014

图5 广西沿海区域土地覆被类型分布Fig.5 Distribution of land-use types of coastland of Guangxi

研究区域内,不同土地覆被类型的NDVI差异极显著(F5,89=182,P<0.001),但NDVI年际波动差异并不显著(P>0.05),因此以15年的平均NDVI代表不同土地覆被类型的植被覆盖状况。不同土地覆被类型间,以林地的平均NDVI值最高,旱地和水田其次,居住区居中,湿地和其他最低(表1)。其中,林地、旱地和水田NDVI主要分配在>0.7的范围内,而居住地、湿地和其他则多分布在0.5附近。

2.3 植被动态趋势及其持续性分析

2000至2014年间,研究区域内有46%的植被得到改善,多分布于河流中上游的陆地上;退化土地则集中于滨海和河流中下游地区,约占总面积的27%;轻度退化、轻度改善以及稳定不变状态的土地斑块较为分散,分别占总面积的8%、14%和6%(图6)。不同土地覆被类型中,57%的林地得到了改善,52%的湿地呈现出退化趋势,其他的覆被类型则多处于相对稳定的状态(图7)。

表1 不同土地覆被类型NDVI比较

将NDVI动态趋势与Hurst指数叠加,得到NDVI动态趋势持续性的分布(图8)。持续改善的植被面积占研究区总面积的33%,多分布于林地、旱地等NDVI相对较高的土地覆被类型中;持续退化的植被较少,所占比例为17%,但多分布于湿地、其他等NDVI偏低类型中。此外,未来变化趋势无法确定的区域占总面积的30%,多集中于滨海区域(表2)。

图6 2000—2014年广西沿海区域NDVI动态趋势Fig.6 Trends of NDVI in coastland of Guangxi from 2000 to 2014

土地覆被类型Types分配比例Allocationratio/%持续退化Persistencedegradation持续轻度退化Persistenceslightlydegradation持续稳定不变Persistencestableness持续轻度改善Persistenceslightlyimprovement持续改善Persistenceimprovement不确定Uncertainty林地Forestland1841093426旱地Dryland1851083723水田Paddyfield2351163125居住区Residentialquarters3059101730湿地Wetland291341647其他Others234842240

图7 不同土地覆被类型NDVI动态趋势统计Fig.7 Statistics of NDVI trend by different land-use types

图8 基于Hurst 指数的NDVI变化特征空间分布Fig.8 Spatial distribution of NDVI variation character based on Hurst index

2.4 植被覆盖动态的驱动因素分析

沿海区域6至8月的气象因素(气温、降水量和日照时间),两两之间相关性多显著(图9),故分析气象因素与NDVI相关性时,采用偏相关分析。然而,气象因素与区域内不同土地覆被类型NDVI的相关性均不显著(P>0.05)。

图9 气温、降水和日照时间的相关性分析 Fig.9 Correlation analysis between temperature, precipitation and sunshine duration

坡向的正弦和余弦值、距海岸线距离与区域及其不同土地覆被类型的NDVI和NDVI动态趋势相关性多不显著,故在表3中不再列出以上3个变量。NDVI和NDVI动态趋势与其他变量则呈现出较好的相关性,二者与CTI和距离河流的距离多为负相关,与坡度、高程、距交通线路和城镇的距离则多为正相关。

3 讨论

广西沿海区域整体的NDVI值较高,而且年际波动较小,与以往的研究结果相似[19,34]。研究区内NDVI>0.7的区域占区域总面积的70%,NDVI不足0.3的区域仅占4%,这导致区域整体的NDVI值偏高。此外,研究区域为南亚热带海洋性季风气候,常年高温多雨,植被覆盖率高且多为常绿植物,在非极端天气影响下,NDVI的年际波动程度较低。空间上,区域NDVI分布表现为陆地高,滨海和河流下游低的趋势,这与土地覆被类型的分布有关,陆地多为林地和旱地,而滨海和河流下游区域则多分布着居住区、湿地和其他覆被类型。

2000至2014年间,研究区内约一半的植被得到改善,改善植被多为林地,这与当地政府在低山丘陵区大面积植树种草有关[19];退化区域则多集中于滨海和河流下游,这些区域内大量分布着居住区和其他类型植被,且交通网络密布。值得注意的是,林地等NDVI较高的区域通常表现为持续改善趋势,而湿地等NDVI低的区域则多表现为持续退化。林地等覆被类型由当地政府的扶持得以持续改善,而大量的湿地则开发为港口、道路、养殖场等,从而呈现为退化趋势,在未来的开发利用活动中应加强对滨海湿地等NDVI偏低区域的关注。

表3 NDVI及其变化趋势与影响因素的相关系数

*P<0.05,**P<0.01. 复合地形指数 CTI

土地覆被分类的不同、植被下垫面与NDVI分辨率也会影响计算的结果,在该研究中,土地覆被类型分类体系与NDVI来源相同,而且在NDVI时间选择上,选择NDVI数值最大的月份。另外,为了消除分辨率的问题,研究的空间尺度较大,能够体现变化的总体趋势。通过和实地的调研比较,研究结果与实际情况较为符合。

植被NDVI及其动态趋势与气象因素的相关性并不显著,而多与地形特征和人为因素呈现显著相关性,这与以往对沿海区域的研究相似[17,35]。研究区域内,尽管4个气象站点的年均温(F14, 59=68.78,P<0.001)、年降水量(F14, 59=7.98,P<0.001)和年日照时数(F14, 59=11.61,P<0.001)的年际变化差异均显著,但其与NDVI相关性并不显著,这可能与NDVI动态更多的受到地形特征和人类活动的干扰有关。广西沿海区域海拔波动范围为-6 m至290 m之间,高海拔区域集中分布于西北和东北的山地;在研究区内,以1 km×1 km为分析窗口,逐个提取地形起伏度[36],滨海区域平均地形起伏度为0.02,最大起伏度为0.55,整个区域内地形波动较小,但NDVI及其动态趋势与地形特征因素的相关性却多显著。NDVI及其动态趋势与CTI多为负相关,由于CTI与坡度有关,因此这种负相关间接反映了植被动态与坡度的关系[32];沿海区域NDVI及其动态趋势与坡度和高程表现为正相关,与坡向则多不相关,这与刘亚龙等[2]和马宗文等[16]的研究结果相似,原因可能是平坦地区更利于城市建设,以及人为在低山丘陵区的大面积植树。NDVI及其动态趋势与距河流的距离呈现为负相关,可能与研究区多处于河流下游,而河口、三角洲等地区近年来多有开发活动有关;距交通线路、城镇的距离与NDVI表现为正相关,可能与居住区和交通线路绿化区有关。

4 结论

该研究基于MODIS NDVI数据,利用NDVI时间序列,采用最大值合成法、一元线性回归方程斜率和Hurst趋势指数,探讨了沿海区域植被的时空分布特征及其影响因素。结果表明,广西沿海区域NDVI值较高,但年际波动不大,空间上则表现为陆地高,滨海和河流下游低的趋势,这主要与土地覆被类型的空间分布有关,林地、旱地等高NDVI类型广泛分布于陆地,而湿地等低NDVI类型则多分布于滨海和河流河口。此外,林地在人工大量植树造林的基础上表现出持续改善趋势,而滨海、河口区域的高强度开发则造成湿地呈现持续退化趋势。广西沿海植被覆盖的变化与气象因素相关性并不显著,主要受到地形特征和人类活动的影响。因此,在未来的开发利用活动中应加强对滨海湿地和河口区域的关注。

[1] Lamchin M, Park T, Lee J Y, Lee W K. Monitoring of vegetation dynamics in the mongolia using MODIS NDVIs and their relationship to rainfall by natural zone. Journal of the Indian Society of Remote Sensing, 2014, 43(2): 325- 337.

[2] 刘亚龙, 王庆, 毕景芝, 张明明, 邢前国, 施平. 基于Mann-Kendall方法的胶东半岛海岸带归一化植被指数趋势分析. 海洋学报, 2010, 32(3): 79- 87.

[3] 孙红雨, 王长耀, 牛铮, 布和敖斯尔, 李兵. 中国地表植被覆盖变化及其与气候因子关系──基于NOAA时间序列数据分析. 遥感学报, 1998, 2(3): 204- 210.

[4] Pettorelli N, Vik J O, Mysterud A, Gaillard J M, Tucker C J, Stenseth N C. Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, 2005, 20(9): 503- 510.

[5] Fensholt R, Sandholt I, Rasmussen M S. Evaluation of MODIS LAI, fAPAR and the relation between fAPAR and NDVI in a semi-arid environment using in situ measurements. Remote Sensing of Environment, 2004, 91(3/4): 490- 507.

[6] Li L L, Wang Y P. What drives the aerosol distribution in Guangdong-the most developed province in Southern China?. Scientific Reports, 2014, 4: 5972- 5972.

[7] 李加林. 基于MODIS的沿海带状植被NDVI/EVI季节变化研究——以江苏沿海互花米草盐沼为例. 海洋通报, 2006, 25(6): 91- 96.

[8] 耿利宁. 基于时序MODIS的水稻种植制度提取[D]. 南京: 南京信息工程大学, 2013: 42- 44.

[9] Lu L L, Kuenzer C, Wang C Z, Guo H D, Li Q T. Evaluation of three MODIS-Derived vegetation index time series for dryland vegetation dynamics monitoring. Remote Sensing, 2015, 7(6): 7597- 7614.

[10] 吴健生, 陈莎, 彭建. 基于图像阈值法的森林雪灾损失遥感估测——以云南省为例. 地理科学进展, 2013, 32(6): 913- 923.

[11] 白雲. 基于混合像元分解的海坛岛植被覆盖度因子研究. 亚热带资源与环境学报, 2013, 8(4): 81- 86.

[12] 袁丽华, 蒋卫国, 申文明, 刘颖慧, 王文杰, 陶亮亮, 郑华, 刘孝富. 2000—2010年黄河流域植被覆盖的时空变化. 生态学报, 2013, 33(24): 7798- 7806.

[13] 张雪艳, 胡云锋, 庄大方, 齐永清. 蒙古高原NDVI的空间格局及空间分异. 地理研究, 2009, 28(1): 10- 18, 图版2.

[14] Xiao J, Moody A. Geographical distribution of global greening trends and their climatic correlates: 1982- 1998. International Journal of Remote Sensing, 2005, 26(11): 2371- 2390.

[15] Park H, Jeong S J, Ho C H, Kim J, Brown M E, Schaepman M E. Nonlinear response of vegetation green-up to local temperature variations in temperate and boreal forests in the Northern Hemisphere. Remote Sensing of Environment, 2015, 165: 100- 108.

[16] 马宗文, 许学工, 卢亚灵. 环渤海地区NDVI拟合方法比较及其影响因素. 生态学杂志, 2011, 30(7): 1558- 1564.

[17] 陈云浩, 李晓兵, 史培军. 1983—1992年中国陆地NDVI变化的气候因子驱动分析. 植物生态学报, 2001, 25(6): 716- 720.

[18] 宗玮. 上海海岸带土地利用/覆盖格局变化及驱动机制研究[D]. 上海: 华东师范大学, 2012: 44- 44.

[19] 田义超, 陈志坤, 梁铭忠. 北部湾海岸带植被覆盖时空动态特征及未来趋势. 热带地理, 2014, 34(1): 76- 86.

[20] 徐大勇, 张涛, 孙贻超, 邓小文, 周滨, 卢学强, 邵晓龙, 张良运, 陈红, 袁雪竹, 白明英. 基于NDVI的天津市滨海新区植被覆盖度变化及预测研究. 生态经济, 2010, (12): 45- 50.

[21] 李建平, 张柏, 张泠, 王宗明, 宋开山. 湿地遥感监测研究现状与展望. 地理科学进展, 2007, 26(1): 33- 43.

[22] 曹庆先, 戴培建, 范航清, 葛文标, 何斌源, 兰国宝, 黎广钊, 梁文, 莫竹承, 邱广龙, 吴斌, 曾聪, 周浩郎. 广西北部湾典型海洋生态系统—现状与挑战. 北京: 科学出版社, 2015.

[23] 王毅杰, 俞慎. 长江三角洲城市群区域滨海湿地利用时空变化特征. 湿地科学, 2012, 10(2): 129- 135.

[24] 韩贵锋. 中国东部地区植被覆盖的时空变化及其人为因素的影响研究[D]. 上海: 华东师范大学, 2007: 35- 35.

[25] 范娜, 谢高地, 张昌顺, 陈龙, 李文华, 成升魁. 2001年至2010年澜沧江流域植被覆盖动态变化分析. 资源科学, 2012, 34(7): 1222- 1231.

[26] 江田汉, 邓莲堂. Hurst指数估计中存在的若干问题——以在气候变化研究中的应用为例. 地理科学, 2004, 24(2): 177- 182.

[27] 刘世梁, 赵海迪, 董世魁, 苏旭坤, 刘琦, 邓丽, 张翔. 基于SPOT NDVI的阿尔金山自然保护区植被动态变化研究. 干旱区研究, 2014, 31(5): 832- 837.

[28] 庄长伟, 欧阳志云, 徐卫华, 郑华, 王效科, 白杨. 基于MODIS的海河流域生态系统空间格局. 生态学杂志, 2009, 28(6): 1149- 1154.

[29] 张月丛, 赵志强, 李双成, 孟宪锋. 基于SPOT NDVI的华北北部地表植被覆盖变化趋势. 地理研究, 2008, 27(4): 745- 754, 图版1.

[30] 信忠保, 许炯心, 郑伟. 气候变化和人类活动对黄土高原植被覆盖变化的影响. 中国科学 D辑: 地球科学, 2007, 37(11): 1504- 1514.

[31] 刘琦, 刘世梁, 赵清贺, 王聪, 邓丽, 杨珏婕, 董世魁. 漫湾水电站建设的景观生态风险时空分异及影响因子研究. 安全与环境学报, 2012, 12(6): 113- 118.

[32] 连纲, 郭旭东, 傅伯杰, 虎陈霞. 黄土高原小流域土壤容重及水分空间变异特征. 生态学报, 2006, 26(3): 647- 654.

[33] 包维楷, 刘照光. 岷江上游大沟流域驱动植被退化的人为干扰体研究. 应用与环境生物学报, 1999, 5(3): 233- 239.

[34] 杨绍锷, 谭裕模, 胡钧铭. 基于NDVI的广西近十年植被变化特征分析. 南方农业学报, 2012, 43(11): 1783- 1788.

[35] 何章莉, 史合印, 邢前国, 潘伟斌. 遥感技术在大亚湾区域土地利用类型监测中的应用. 生态科学, 2006, 25(4): 371- 374, 384- 384.

[36] 周自翔, 李晶, 任志远. 基于GIS的关中-天水经济区地形起伏度与人口分布研究. 地理科学, 2012, 32(8): 951- 957.

The dynamics and main driving factors of coastal vegetation in Guangxi based on MODIS NDVI

CHENG Fangyan1, LIU Shiliang1,*, YIN Yijie1, LÜ Yihe2, AN Nannan1, LIU Xinming3

1TheSchoolofEnvironmentalSciences,BeijingNormalUniversity,Beijing100875,China2StateKeyLaboratoryofUrbanandRegionalEcology,ResearchCenterforEco-environment,ChineseAcademyofSciences,Beijing100085,China3MarineResearchAcademyofGuangxiZhuangAutonomousRegion,Nanning530022,China

The normalized difference vegetation index (NDVI) can be used to characterize a region′s vegetation status, however, there have been few studies on the NDVI dynamics of coastal wetland areas. Using MODIS NDVI as the data source, we analyzed the vegetation dynamics, NDVI trend, and the main driving factors of NDVI in the coastal wetland areas of Guangxi from 2000 to 2014. The results showed that in the coastal wetland area with a 10-km buffer, the mean NDVI value was relatively high (0.71). However, annual fluctuations were more stable (SD=0.02). Spatially, NDVI showed a higher trend in terrestrial land and a lower trend in coastal and estuarine areas. The NDVI values of various vegetation types were significantly different, and the highest value was recorded for woodland, which is widely distributed in the terrace (0.76), and the lowest value was found for coastal wetland (0.52) and other vegetation types (e.g., bare land) (0.50). The vegetation trend (slopek) showed that 57% of the woodland was improving (k≥ 0.002), and 52% of the coastal wetland was degrading (k≤ -0.002). The Hurst index of the sustainability of vegetation showed that forest land and dry land have been continuously improving, while the coastal wetland showed a trend of continuous degradation. The influence of meteorological factors on NDVI dynamics was not significant, and the NDVI was mainly affected by topographic characteristics and human activities. NDVI and its trend were negatively correlated with comprehensive topographic indexes and the distance from the river, and positively correlated with slope, altitude, and the distance from roads and valleys. Altogether, most regions showed positive development, but the coastal wetland exhibited degradation and needed to be improved.

coastal wetland area; temporal and spatial dynamics; trend analysis; Hurst index; driving factors

国家自然科学基金资助项目(41571173);国家科技支撑计划资助项目(2014BAK19B06);广西壮族自治区海洋研究院自主课题资助项目

2015- 09- 09;

日期:2016- 06- 14

10.5846/stxb201509091866

*通讯作者Corresponding author.E-mail: shiliangliu@bnu.edu.cn

成方妍,刘世梁,尹艺洁,吕一河,安南南,刘昕明.基于MODIS NDVI的广西沿海植被动态及主要其驱动因素.生态学报,2017,37(3):788- 797.

Cheng F Y, Liu S L, Yin Y J, Lü Y H, An N N, Liu X M.The dynamics and main driving factors of coastal vegetation in Guangxi based on MODIS NDVI.Acta Ecologica Sinica,2017,37(3):788- 797.

猜你喜欢

滨海植被趋势
基于植被复绿技术的孔植试验及应用
趋势
滨海白首乌
滨海顶层公寓
岳滨海 藏石欣赏
绿色植被在溯溪旅游中的应用
初秋唇妆趋势
SPINEXPO™2017春夏流行趋势
基于原生植被的长山群岛植被退化分析
滨海,中国航天再出发