农用地整理对项目区NDVI变化的影响

朱大明，秦国玲，吴亚玲，陈相泽，唐 铃，彭秋志

(昆明理工大学 国土资源工程学院，云南 昆明 650093)

农用地整理对项目区NDVI变化的影响

朱大明，秦国玲*，吴亚玲，陈相泽，唐 铃，彭秋志

(昆明理工大学 国土资源工程学院，云南 昆明 650093)

通过简单配对比较和配对样本T检验，探寻农用地整理对项目区NDVI变化的影响特征。结果显示：从变化数量构成角度看，在农用地整理前后仅年内标准差、年内最小值和年内极差的变化相对突出；从平均变化率角度看，所有参数的变化均相对突出；从整体变化显著性角度看，仅年内标准差的变化达到显著水平。总体来看，农用地整理对项目区NDVI变化的影响主要表现为促使NDVI年内平均变异程度趋于缩小。

土地整治； 配对样本T检验； 云南省

农田是人类食物最主要的来源地，在人地系统中占据着极其重要的位置，也是农用地整理活动首要的作用对象。农用地整理活动对农田生态系统的影响，理论上可以在项目区植被覆盖状况变化中得到一定程度的反映[1-2]；因而，通过研究农用地整理对项目区植被覆盖状况变化的影响，可为评估和改进农用地整理活动提供一定助益。一些研究认为，农用地整理会导致非植被用地增加，天然植被减少，以及植被类型单一化，从而可能导致项目区植被覆盖程度降低[3-7]；也有研究认为，农用地整理通过增加有效灌溉面积、改善农作物生长条件、增加防护林密度等，有利于提高项目区植被覆盖度[8-9]。但这些研究结论大多是基于个案研究得出的，缺乏普遍代表性，有些甚至只是预测性的，难以验证其真实性。欲获得具有一定区域代表性的研究结论，应当对一定区域范围内相当数量的案例开展长期观测和分析。诚然，如果运用传统实地调查观测的方式开展此类研究，其成本投入将是相当巨大的。所幸，随着遥感和地理信息技术的发展，运用以较低成本获取的相关遥感数据，更准确客观地研究此类问题已经成为可能。

植被指数是公认的具有明确生态学含义的遥感参数之一。植被指数时间序列数据中蕴涵着极为丰富的信息，此类信息已然成为解决或辅助解决相关领域众多科学问题的钥匙和线索。在众多植被指数当中，目前应用最广泛的是归一化植被指数(normalized difference vegetation index，NDVI)[10]。NDVI常被用来检测植被的覆盖程度、季相变化、健康状况等信息，该指数已经在土地覆被分类[11]、作物估产[12]、植被覆盖变化[13-14]、氧气产量估算[15]、物候监测[16]以及干旱监测[17]等众多领域获得广泛应用。这也催生了大量专门针对NDVI本身的研究，例如不同数据源NDVI质量对比研究[18]、NDVI数据去云降噪方法研究[19]、多源NDVI数据时空融合研究[20]、NDVI时空变化及其驱动力研究[21]等。然而，关于农用地整理对NDVI变化影响的研究目前仍较为鲜见。其主要原因是，目前所能获得的绝大多数遥感NDVI数据，在面对该问题时难以兼顾时间分辨率与空间分辨率的双重严格要求：较高空间分辨率的NDVI数据，往往存在时间序列连续性差的弱点，因而无法进行可靠的年际间对比；较低空间分辨率的NDVI数据，易出现大量跨越项目区边界的混合像元，制约了研究结果的精度。但这并不代表此研究途径完全行不通，只要严格控制试验条件，在保证时间序列连续性，以及获取足够多非跨界像元样本的前提下，利用中等分辨率NDVI数据开展此类研究，其研究结果的可信程度仍然是可以得到保证的。

本研究广泛搜集并严格挑选了云南省近10 a来45个农用地整理项目区，获取了目前在时空分辨率方面综合表现相对更优秀的近14 a来全系列MOD13Q1数据，以项目区为基本单元构建了5项NDVI统计参数，设置了3个分组配对比较情形，采用简单配对比较、配对样本T检验等统计学方法，分析农用地整理对项目区NDVI变化的影响特征。该研究不仅能为评估和改进农用地整理活动提供科学依据，而且能为决策部门制定和完善相关政策措施提供辅助参考。

1 材料与方法

1.1 NDVI数据获取及预处理

本研究所采用的NDVI数据来源于MOD13Q1数据集产品，下载自http://reverb.echo.nasa. gov/reverb/，数据集版本号为005，分片标示为h26v06和h27v06，原始数据投影为Sinusoidal投影，标称空间分辨率为250 m(实为约232 m)，时间分辨率为16 d，每年有23期，时间序列为2002年初至2015年底，共计322期。每期数据被封装为一个HDF格式文件，内含12层数据子集，层号从0起编，其中NDVI数据位于第0层。利用该数据产品第11层中的云标记信息对NDVI数据进行云去除处理，去云操作采取时间序列上的相邻无云像元NDVI均值替换法，效果类似于相邻无云像元NDVI线性插值法[22]。为尽量保证后续统计分析所输入NDVI数据的原真性，该研究将直接在原始NDVI数据的投影体系和空间分辨率下进行相关空间分析，不对原始NDVI数据进行投影转换和重采样。

1.2 项目区搜集及数据分析范围界定

在云南省范围内搜集到74个已经完成验收的农用地整理项目的设计报告、规划图件以及成果验收信息等基础资料。这些项目的整理年份分布在2006—2014年，项目区平均面积约为700 hm2。

由于上述资料为随机搜集且来源不同，在进行后续分析前须进行数据提取和空间配准，以保证2种数据尽可能准确叠合。另外，为保证只有完全位于项目区内的NDVI像元才能参与统计分析，利用ArcToolbox 中的Create Fishnet工具，根据NDVI栅格，生成矢量格网，使得矢量格网图层中的每一个网格均与NDVI像元完全叠合，以备后续数据分析范围界定之用。本研究将这种与栅格像元一一对应且完全叠合的矢量网格称为像元网格。

数据分析范围界定：从年份分布角度，将整理年份在2012年及其以后的项目区排除，以保证后续配对比较能够获得年份跨度更长并且跨度一致的样本；从像元完整性角度，将所有跨越项目区边界的像元网格排除，仅保留完整落入项目区的像元网格，以保证后续分析的代表性和可靠性。另外，将完整像元网格数不足10个的项目区排除，以保证即使最小的项目区也能提取相对稳定且有代表性的分析参数。

最终挑选出共计45个满足要求的项目区，用于后续统计分析。各项目区的整理年份数量分布为：2006年16个，2007年2个，2008年3个，2009年2个，2010年5个，2011年17个(图1)。各项目区覆盖的完整像元数最少的有14个，最多的有347个，平均为84个。

图1 不同整理时间项目的空间分布

1.3 分析参数构建

基于去云后的NDVI时间序列数据，以每个参与分析的项目区(仅包括完全落入项目区的像元网格)为基本分析单元，构建了年内均值、年内标准差、年内最大值、年内最小值及年内极差共5个分析参数。具体如下：年内均值，指每个项目区每期NDVI均值的年内平均值；年内标准差，指每个项目区每期NDVI均值的年内标准差；年内最大值，指每个项目区每期NDVI均值的年内最大值；年内最小值，指每个项目区每期NDVI均值的年内最小值；年内极差，即年内最大值与年内最小值之差。

1.4 数据分析方法

针对每一项分析参数，均分别设置3个配对比较情形，即整理之前的配对比较、整理前后的配对比较和整理之后的配对比较。设整理年份为第0年，整理之前的配对比较，是指将每个项目区各项分析参数在第-2年和第-1年的平均值(即2a取平均)，与其在第-4年和第-3年的平均值构成1组配对(图2)，从而形成45组配对，据此进行依时间发展方向的前后比较。同理，整理前后的配对比较开展于第1、第2年与第-2、第-1年之间；而整理之后的配对比较则开展于第3、第4年与第1、第2年之间。每个配对比较均分别从变化数量构成、平均变化率和整体变化显著性这3个角度进行统计分析，以求达到分析结果相互佐证之目的。其中，变化数量构成和平均变化率分析采用简单的配对比较，整体变化显著性分析则借助配对样本T检验方法加以实现。

图2 配对的比较情形

以上数据预处理及相关空间分析均在ArcGIS 10.2环境中完成；配对样本T检验采用SPSS 17.0软件进行统计分析，置信区间为95%。

2 结果与分析

以整理前2 a(第-1年和第-2年)的各项参数分别取平均，45个项目区平均的NDVI年内均值为0.519，年内标准差为0.133，年内最大值为

0.772，年内最小值为0.314，年内极差为0.459；以整理后2 a(第1年和第2年)的各项参数分别取平均，45个项目区平均的NDVI年内均值为0.514，年内标准差为0.127，年内最大值为0.762，年内最小值为0.320，年内极差为0.441。可以看出，整理后2 a与整理前2 a比较，除年内最小值呈上升趋势外，其余参数均呈下降趋势。

以上仅是整理前后的初步比较，为确定与整理之前以及整理之后相比，整理前后的项目区NDVI变化是否更为突出或更为显著，以下将分别从变化数量构成、平均变化率和整体变化显著性角度进行更为详尽的分析比较。

2.1 变化数量构成比较

在3种比较情形中，除年内最小值表现出不一致的变化数量构成特征外，其余参数均表现出以下降性变化的项目区数量占优势的共同特征(表1)。这表明项目区除年内最小值以外的各项NDVI参数本身已处于下降性变化的大趋势之中，农用地整理并不能使该趋势发生根本性扭转，仅仅只是可能在其中发挥了一定的增强或削弱作用。当然，仅考虑变化数量对比优势的话，整理前后的年内标准差和年内极差的下降性变化，以及年内最小值的上升性变化，还是相对更突出的。尤其整理前后比较中，年内标准差下降性变化的项目区的数量达29个，居所有比较中的首位。

表1 各项参数在3种比较情形下的变化数量构成

2.2 平均变化率比较

在3种比较情形中，除年内最小值表现出一致的正向平均变化外，其余参数均表现出一致的负向平均变化。并且，所有参数的平均变化程度均表现为：整理前后相对最大，整理之前次之，整理之后相对最小(图3)。这表明农用地整理有可能加强了各参数原本存在的变化趋势，并使得各参数的后续变化明显削弱。尤其突出的是，年内标准差在整理前后的平均变化率为-4.95%，居所有比较中的首位。

图3 各项参数在3种比较情形下的平均变化率

2.3 整体变化显著性比较

在3种比较情形中，仅有整理前后的年内标准差变化达到P<0.05的显著性级别(表2)。这从统计学角度说明，农用地整理对项目区NDVI年内标准差的变化确实有影响。而关于农用地整理对其他NDVI参数变化的影响特征，只能认为可能存在，但不能肯定确实存在。

表2 各项参数在3种比较情形下的配对样本T检验结果

3 小结与讨论

本研究发现，农用地整理对项目区NDVI变化的影响主要表现为促使项目区NDVI年内平均变异程度趋于减小，即缩小植被覆盖波动幅度。艾东等[5]、丁向华等[6]研究发现，由于植物类型单一化、耕地垦殖率增加等原因，农用地整理后项目区植被覆盖率总体呈下降趋势，本研究从NDVI年内均值变化的角度也印证了此现象。但本研究还发现，农用地整理对项目区NDVI年内标准差变化的影响比对年内均值变化的影响更突出。目前，相关领域研究对此关注较少，得出类似发现的文献尚未见报道。农用地整理活动本身是一个打破项目区原有生态系统平衡，建立新的生态系统平衡的过程，尽管该活动可能使项目区植被覆盖率变低，但更重要的是它能增强项目区植被覆盖的稳定性，这一发现将促使人们从新的角度认识土地整理的积极意义。

经过对各项目区基础资料的综合分析，农用地整理导致项目区NDVI年内标准差下降的原因可能包括：1)整理后大棚化种植模式增加。在大棚覆盖区域，卫星传感器所获取的地面反射信号主要来源于大棚，并非大棚内农作物，而大棚的NDVI年内变化很小。2)整理后农业生产条件的改善。农用地整理通过改善土壤结构、增加有效灌溉面积、控制水土流失等，促进复种指数提升，进而使得农作物种植及生长更具连续性和稳定性。

需要指出的是，本研究仅将视野局限于“云南省”“NDVI”“项目区内”“2 a取平均”这些限定条件下，尚有一些值得拓展的问题有待进一步探索和求证。例如：1)相对许多干旱、半干旱以及纬度较高的区域而言，云南省NDVI普遍较高，而NDVI参数本身存在高值区饱和效应[23]，所以在本研究中用其表示出的植被覆盖变化程度可能会小于真实的植被覆盖变化程度；2)农用地整理项目所能发挥的影响未必仅限于项目区内，例如项目区耕地增加反而可能有利于实施项目区外生态退耕[5]，所以仅根据项目区内NDVI变化来评价农用地整理活动未免有失偏颇；3)农用地整理的影响有可能是长期的[24]，仅采取2 a取平均的方式，虽比只用1 a的数值更有说服力，但毕竟不能表现更长期的影响特征。

[1] 罗明, 张惠远. 土地整理及其生态环境影响综述[J]. 资源科学, 2002, 24(2):60-63.

[2] 王军, 李正, 白中科,等. 土地整理对生态环境影响的研究进展与展望[J]. 农业工程学报, 2011, 27(增刊1):340-345.

[3] CRECENTE R, ALVAREZ C, FRA U. Economic, social and environmental impact of land consolidation in Galicia[J]. Land Use Policy, 2002, 19(2):135-147.

[4] LISEC A, PINTAR M. Conservation of natural ecosystems by land consolidation in the rural landscape[J]. Acta Agriculturae Slovenica, 2005， 85(1)：73-82.

[5] 艾东, 朱道林, 赫晓霞. 土地整理与生态环境建设关系初探[J]. 生态环境学报, 2007, 16(1):257-263.

[6] 丁向华, 姜照勇, 罗良伟,等. 基于生态环境保护视角的土地整理生态效益评价：以成都市三河镇土地整理项目为例[J]. 资源科学, 2011, 33(11):2055-2062.

[7] 刘红芳, 邹自力, 邹历,等. 基于鄱阳湖生态建设视角的土地整治生态效益评价：以九江市星子县土地整治项目为例[J]. 东华理工大学学报(社会科学版), 2015, 34(2):114-117.

[8] 邓胜华, 梅昀, 胡伟艳. 基于模糊模型识别的石碑坪镇土地整理社会生态效益评价[J]. 中国土地科学, 2009, 23(3):72-75.

[9] 郝烁, 郭来君, 张东梅,等. 新型城镇化背景下农村土地整治生态效益评价：以天津市宁河县为例[J]. 城市地理, 2016 (2)： 79-80.

[10] 郭铌. 植被指数及其研究进展[J]. 干旱气象, 2003, 21(4):71-75.

[11] 徐永明, 刘勇洪, 魏鸣,等. 基于MODIS数据的长江三角洲地区土地覆盖分类[J]. 地理学报, 2007, 62(6):640-648.

[12] 赵文亮, 贺振, 贺俊平,等. 基于MODIS-NDVI的河南省冬小麦产量遥感估测[J]. 地理研究, 2012, 31(12):2310-2320.

[13] 张本昀, 喻铮铮, 刘良云,等. 北京山区植被覆盖动态变化遥感监测研究[J]. 地域研究与开发, 2008, 27(1):108-112.

[14] 王欣平, 邵凤娈, 毛志红,等. 基于 MODIS 数据的济南市年最大植被覆盖度动态监测[J]. 地域研究与开发, 2016, 35(1):150-155.

[15] 刘晓雪, 张丽娟, 李文亮,等. 中国陆地植被氧气生产量变化模拟及其影响因素[J]. 生态学报, 2015, 35(13):4314-4325.

[16] 侯学会, 牛铮, 高帅,等. 基于SPOT-VGT NDVI时间序列的农牧交错带植被物候监测[J]. 农业工程学报, 2013, 29(1):142-150.

[17] 刘宪锋, 朱秀芳, 潘耀忠,等. 农业干旱监测研究进展与展望[J]. 地理学报, 2015, 70(11):1835-1848.

[18] 刘远, 周买春. AVHRR、SPOT-VGT和MODIS 3种NDVI遥感数据在韩江流域的对比分析[J]. 华南农业大学学报, 2015(1):106-112.

[19] 耿丽英, 马明国. 长时间序列NDVI数据重建方法比较研究进展[J]. 遥感技术与应用, 2014, 29(2):362-368.

[20] 郭文静, 李爱农, 赵志强,等. 基于AVHRR和TM数据的时间序列较高分辨率NDVI数据集重构方法[J]. 遥感技术与应用, 2015, 30(2):267-276.

[21] 李学梅, 任志远. 近十年重庆市NDVI变化及对气温降水的旬响应特征分析[J]. 长江流域资源与环境, 2014, 23(1):101-108.

[22] CHEN J, JÖNSSON P, TAMURA M, et al. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter[J]. Remote Sensing of Environment, 2004, 91(3/4):332-344.

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

[24] 张贞, 高金权, 杨威,等. 土地整理工程影响下农业生态系统服务价值的变化[J]. 应用生态学报, 2010, 21(3):723-733.

(责任编辑：高 峻)

2017-02-15

云南省自然科学基金(KKSY201421036)

朱大明(1970—)，男，贵州长顺人，副教授，博士，研究方向为土地规划、土地整治，E-mail: 634617255@qq.com。

秦国玲(1992—)，女，重庆铜梁人，硕士研究生，研究方向为土地开发整理及规划，E-mail:qinl92@163.com。

10.16178/j.issn.0528-9017.20170435

S282；F205

A

0528-9017(2017)04-0660-04

文献著录格式：朱大明，秦国玲，吴亚玲，等. 农用地整理对项目区NDVI变化的影响[J].浙江农业科学，2017，58(4)：660-663，666.