GIMMS和MODIS在黄土高原地区植被监测中的应用

邵霄怡，李奇虎，王书民

(1.中国地震局 地震预测研究所，北京 100036；2.西安科技大学 测绘与技术学院，西安 710054)

GIMMS和MODIS在黄土高原地区植被监测中的应用

邵霄怡1，李奇虎2，王书民1

(1.中国地震局 地震预测研究所，北京 100036；2.西安科技大学 测绘与技术学院，西安 710054)

黄土高原地区生态环境脆弱，受季风气候的影响，四季分明，植被变化明显，为比较不同遥感数据的一致性提供了很好的试验场所。利用2001—2006年GIMMS NDVI和2001—2014年MODIS NDVI数据，分析了黄土高原地区植被变化情况，并从2种数据的空间分布特征、季节变化和时间分布特征3方面在黄土高原地区的差异进行了分析。结果表明：2种数据都反映了黄土高原地区西北部植被覆盖稀少，东南部植被覆盖较好的特点，MODIS数据在探测植被差异变化上较GIMMS数据敏感一些；从趋势上看植被指数逐年增加，秋季增加最快，表明近年来黄土高原地区植被恢复工作取得了明显的效果。与GIMMS数据相比，MODIS数据更适合于反映黄土高原地区植被的空间分布。

归一化植被指数；黄土高原；GIMMS；MODIS；相关系数；时间序列对比分析

1 归一化植被指数及研究背景

光线照射在绿色植物上时，近红外波段的光大部分被反射，可见光波段的光除绿色光外大部分被吸收，因而可用植被指数来反映植被变化情况[1]。归一化植被指数(NDVI)为近红外波段和可见光波段数值之差和这2个波段数值之和的比值，是植被生长状态的最佳指示因子，减小了云层、大气、地形等的影响。其计算公式为

NDVI=(NIR-VIS)/(NIR+VIS) 。

(1)

式中：NIR为位于近红外波段的遥感通道所得到的反射率；VIS为位于可见光波段的通道得到的反射率[2]。

许多国家和科研机构提供长时间序列遥感观测数据，对推动植被动态变化监测研究起到了极大的促进作用。GIMMS NDVI和MODIS NDVI是2种主要的数据来源，国内外许多学者对这2种数据集进行了比较研究[3-4]。张晓克等[5]选取申扎县MODIS NDVI数据研究了植被指数和气候之间的关系，另外一些学者对拉萨、河北平原、延河流域、陕北地区等地也进行了比较研究[6-9]。

植被具有明显的年际变化和季节变化的特点[10]。黄土高原地区土质较为松软、贫瘠，极易受流水侵蚀，形成“沟壑纵横”的地表形态，其生态环境脆弱，常年受季风气候的影响，降水的年变率大，年内分配不均，植被年际和区域变化明显，植被种类多样，四季分明，为研究比较不同来源数据的一致性提供了很好的试验场所。本文从空间分布和时间变化2个方面，分析GIMMS和MODIS植被指数在监测黄土高原植被变化情况时的异同。

2 研究区域及数据来源

黄土高原地处我国黄河上游，大体上东起太行山、西至乌鞘岭、南至秦岭、北抵长城，跨晋、陕、甘、宁等省区[11]，面积约6.4×105km2。

MODIS NDVI来自于NASA Goddard Space Flight Center的LAADS Web陆地产品组根据统一算法开发的MODIS植被指数产品。本文所应用的主要是2001—2014年MODIS A3数据集，即16 d合成的植被指数产品，空间分辨率1 km，通常具有一定的完整性和一致性，经过大气校正处理，定标定位等操作，数据集采用Sinusoidal投影。GIMMS NDVI数据来自于NOAA(http://www.noaa.gov)，由中国西部环境与生态科学数据中心合成处理的2001—2006年间长时间序列中国植被指数数据集，是每15 d合成的最大化NDVI数据，分辨率为8 km。消除了太阳天顶角变化引起的NDVI差异，格式为ENVI标准格式，投影方式为Albers。

3 数据预处理

2种数据已经过几何纠正、辐射校正、大气校正、除坏线、除云等预处理，采用最大值合成法以减少云、大气、太阳高度角等的影响。利用MRT软件对MODIS和GIMMS数据进行投影转换，再利用ENVI对数据集进行裁剪、拼接和几何校正等预处理工作，为匹配GIMMS NDVI的空间分辨率，将MODIS NDVI的空间分辨率重采样到8 km。

由于研究工作需要真实的NDVI值，通过对GIMMS数据集中的DN值进行处理把原来的NDVI值转化出来，其转换关系为

NDVI=DN/1 000 。

(2)

其中DN为图像像元值(2003年之后除以10 000)。

为避免水体、云阴影等负值的影响，将传感器第1通道所有统计数据中的异常值，即<-1的数值全部赋值为-1，将>1的值全部赋值为1。借助ENVI的Bandmath实现，保证植被指数在[-1，1]之间。

4 结果与分析

4.1 GIMMS与MODIS NDVI相关性分析

图1给出了2001—2006年MODIS NDVI年均值和GIMMS NDVI年均值，可看出GIMMS和MODIS数据基本呈线性关系，变化趋势基本一致。取显著性水平因子α=0.05，n为6时，R2为0.819，通过了95%置信水平。

图1 黄土高原GIMMS与MODIS NDVI相关性曲线Fig.1 Curve of the correlation between GIMMS NDVI and MODIS NDVI in loess plateau

表1给出了2种NDVI值在不同季节的相关系数，可以看出2种数据在春季和冬季的相关性较低，夏季和秋季相关性较高。黄土高原地区多为落叶阔叶林，冬季和初春一般为落叶期，且冬季和初春部分地区积雪尚未融化，地面多为裸露的岩石，而2种数据对于岩石和积雪的反应不太敏感。

表1 两种NDVI数据不同季节的相关系数Table 1 Coefficients of the correlation between GIMMS NDVI and MODIS NDVI in different seasons

4.2 NDVI的空间变化特征

图2给出了2001年GIMMS与MODIS数据NDVI 4月份、7月份、10月份和12月份的分布图，可以看出GIMMS NDVI和MODIS NDVI分布大致相同，在黄土高原西北部地区植被覆盖稀少，东南部植被覆盖较好，由北向南逐步增加；植被覆盖较好的地方有天水、宝鸡、黄龙、潼关、洛川、固原、延安、榆林南部和太原南部等地区；植被指数较差的地方主要有内蒙、宁夏部分地区。这主要与气候、植被类型、温度、降水情况等有关[12]。黄土高原植被地带可分为森林、荒漠草原、森林草原和草原带，其中荒漠草原带分布在水热资源相对缺乏的西北部，森林草原过渡带和典型草原带分布在森林带和荒漠草原带之间，森林地带分布在黄土高原东南部和立地条件好的山地[12]。

4）在体育舞蹈教学中，因为教学时间有限、工作量大，教学组合要精简，淡化动作的数量，强化动作的质量和变化，可以运用同样的动作结构，完成多个舞种组合的动作教学，减轻学生记忆的负担，适度减少教学量，增加训练量，尤其在变节奏方面的训练，这将更有利于协调和灵敏的发展。

4.3 时间趋势分析

图3给出了2001—2006年间NDVI的时间变化曲线，从中可以看出2种数据季节起伏变化基本相同，峰值出现在每年的8—9月份之间，谷值出现在12月份至次年1月份左右。这是因为夏季温度适合黄土高原植物生长，冬季天气寒冷，植物生长受到阻碍。从数值上可以看出，无论是最大值还是最小值，MODIS数据都要高于GIMMS数据。

图2 2001年黄土高原不同季节NDVI分布Fig.2 Maps of NDVI distribution in loess plateau in different seasons

图3 MODIS NDVI与GIMMS NDVI的季节变化Fig.3 Seasonal variation of MODIS NDVI and GIMMS NDVI in loess plateau

表2给出了2001—2006年的GIMMS与MODIS NDVI年变化量。从表2可看出，MODIS数据年变幅要大于GIMMS数据的年变幅。这可能与不同传感的敏感度和光谱范围有关，计算植被指数时，需要用到近红外波段和红外波段的反射率值，MODIS传感器的波段(620～670 nm，841～876 nm)相比于GIMMS所使用的AVHRR传感器的波段(585～680 nm，725～1 100 nm)要窄很多,传感器的波谱范围越窄，其数据的敏感度越高，同时MODIS在近红外波段去除了水汽波段的影响，因此红波段对叶绿素的吸收更敏感；而AVHRR传感器的红波段和近红外波段为宽波段，均包含了几个强的水汽吸收区，降低了计算植被指数的可靠性[13]。

为了分析GIMMS与MODIS在变化趋势上的差异，图4给出了2种NDVI从2001—2006年的年均值的变化曲线。可以看出，两者随时间都呈现上升势， MODIS NDVI与时间的相关性(R2=0.362)高于GIMMS NDVI(R2=0.259)，随时间变化较平稳。图5给出了MODIS NDVI 从2001—2014年年均值的变化曲线，可以看出近十多年来，黄土高原的NDVI呈稳健上升趋势，表明黄土高原地区植被在呈恢复趋势，黄土高原地区植被恢复工作取得了一定的效果。

表2 GIMMS NDVI与MODIS NDVI年变化量Table 2 Annual variations of GIMMS NDVI and MODIS NDVI

图4 GIMMS NDVI与MODIS NDVI年平均值 变化线性回归分析Fig.4 Linear regression analysis of the annual variations of MODIS NDVI and GIMMS NDVI in loess plateau

图5 2001—2014年MODIS NDVI年际分析Fig.5 Inter-annual variation of MODIS NDVI from 2001-2014

4.4 不同季节NDVI的变化特征

图6 2001—2014年MODIS NDVI不同季节均值变化 Fig.6 Variations of mean seasonal MODIS NDVI from 2001 to 2014

植被指数能有效地描述绿色植物长势和生物量信息[14]，年最大NDVI可以更好地反映植被覆盖最好时期的状况[15]。图6、图7给出了2001—2014年MODIS和2001—2006年GIMMS数据不同季节的最大NDVI变化及拟合趋势。MODIS数据春、夏、秋、冬的趋势拟合斜率分别为(0.070 6，0.035 7，0.232 7，0.231 5)×10-4；GIMMS数据的春、夏、秋、冬的拟合斜率分别为(0.165 1，0.064 9，0.350 8，0.089 5)×10-4。可以看出无论是MODIS NDVI还是GIMMS NDVI，其秋季NDVI拟合斜率最大，也就是变化最快。黄土高原地区多为落叶阔叶林，秋季进入黄土高原的雨季，这种作物在秋季较为茂盛，且由于NDVI对气候因素具有滞后性[16]，因此出现这种结果可能与黄土高原地区植被类型有关，这与4.1节的结论一致。

图7 2001—2006年GIMMS NDVI不同季节均值变化Fig.7 Variations of mean seasonal GIMMS NDVI from 2001 to 2006

5 结 论

基于2001—2014年MODIS NDVI和2001—2006年间的GIMMS NDVI数据，对黄土高原地区植被分布情况和年趋势变化以及2种数据之间的差异进行了分析，可得出以下结论。

(1) 在黄土高原地区，GIMMS和MODIS数据具有较好的相关性，相关系数为0.9，通过了95%相关性检验，且夏季和秋季相关系数较高，春季和冬季相关系数较低。

(2) 2种数据都反映了黄土高原地区西北部植被覆盖稀少，东南部植被覆盖较好的特点。相比于GIMMS数据，MODIS数据的动态范围、空间分辨率均大于GIMMS数据，在探测植被差异变化上要敏感一些，并且与时间具有更好的线性关系，在黄土高原地区更适合进行检测研究，更适合于反映植被类型多样的黄土高原地区植被的空间分布。

(3) 2种数据随时间变化趋势基本一致，都体现出黄土高原植被指数逐年增加的趋势。对MODIS近14 a数据拟合曲线走势可以看出近年来黄土高原植被恢复工作取得成效。不同季节年最大NDVI趋势分析表明，无论是MODIS NDVI还是GIMMS NDVI，秋季NDVI变化最快，这可能是黄土高原地区多为落叶阔叶林，秋季比较茂盛，且NDVI对气候的滞后性共同作用的结果。

致谢：数据下载于国家自然科学基金委员会“中国西部环境与生态科学数据中心”，http://westdc.westgis.ac.cn。

[1] 陈述彭.遥感大辞典[M].北京:科学出版社,1990.

[2] 马明国,王 建,王雪梅.基于遥感的植被年际变化及其与气候关系研究进展[J].遥感学报，2006,10(3): 421-431.

[3] 朱 源，彭光雄,王 志,等.西藏林芝地区近30a来的NDVI变化趋势研究[J]．西北林学院学报，2011，26(4)：69-74.

[4] BROWN M E, PINZON J E，DIDAN K，etal. Evaluation of the Consistency of Long-term NDVI Time Series Derived from AVHRR, SPOT-Vegetation, SeaWiFS, MODIS and Landsat ETM+ Sensors[J]. Geoscience and Remote Sensing, 2006, 44(7):1787-1793．

[5] 张晓克, 鲁旭阳, 王小丹.2000—2010年藏北申扎县植被NDVI时空变化与气候因子的关系[J].山地学报, 2014, 32(4):476-479.

[6] 杜加强，舒俭民，王跃辉，等.青藏高原MODIS NDVI与GIMMS NDVI的对比[J].应用生态学报，2014, 25(2)：533-544.

[7] 韩 鹏，姚 娟，李天宏，等.3种不同数据源NDVI的比较分析及其在延河流域的应用研究[J].应用基础与工程科学学报，2014,22(4)：661-674.[8] 任子涵.AVHRR NDVI和MODIS NDVI一致性评估[J].地理空间信息，2014, 12(3):125-128.[9] 沙 莎, 郭 铌, 李耀辉, 等.3套NDVI长时间序列植被指数的对比——以玛曲为例[J].干旱气象，2013, 31(4)：657-665.

[10]宋富强，康慕谊，杨 朋，等.陕北地区GIMMS、SPOT-VGT和MODIS归一化植被指数的差异分析[J].北京林业大学学报，2010, 32(4)：72-80.

[11]伍光和，王乃昂，胡双雄.自然地理学[M].北京：高等教育出版社，2000.

[12]孙 华，白红英，张清雨，等．基于SPOT VEGETATION的秦岭南坡近10年来植被覆盖变化及其对温度的响应[J]．环境科学学报，2010，30(3)：649-654.

[13]刘良明，梁益同，景毅刚，等, MODIS与AVHRR植被指数关系的研究[J].武汉大学学报，2004, 29(1)：307-310.

[14]李 喆, 赵登忠, 向大享, 等.宽频段遥感植被指数研究进展综述[J].长江科学院院报，2015, 32(1)：125-130.

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

[16]BAO Ya-jing, SONG Guo-bao, LI Zheng-hai,etal．Study on the Spatial Differences and Its Time Lag Effect of Climatic Factors of the Vegetation in the Longitudinal Range-Gorge Region[J]. Chinese Science Bulletin，2007，52(2)：42-49.

(编辑：陈 敏)

Application of GIMMS and MODIS toVegetation Monitoring in the Loess Plateau

SHAO Xiao-yi1, LI Qi-hu2, WANG Shu-min1

(1.Institute of Earthquake Science, China Earthquake Administration, Beijing 100036, China;2.School of Geometrics, Xi’an University of Science & Technology, Xi’an 710054, China)

Loess Plateau is featured with fragile ecological environment. Affected by monsoon climate, it has obvious distinction among four seasons and apparent vegetation changes, which offer a good testing ground for researching the consistency of different remote sensing data. According to the Normalized Difference Vegetation Index (NDVI) derived from GIMMS in 2001-2006 and from MODIS in 2001-2014, we analyzed the variations of vegetation in the loess plateau. And furthermore we investigated the differences between the two data in aspects of spatial distribution, seasonal and annual variations of vegetation in the loess plateau of Shaanxi Province. Results suggest that data obtained by the two methods both reflect the scarce coverage in the northwest and good coverage in the southeast of the loess plateau. What’s more, MODIS data is sensitive to the variation of vegetation differences. In terms of the trend, vegetation index increased year by year, and the most rapid increment was in autumn, indicating that the vegetation restoration work in recent years has achieved remarkable result. Compared with GIMMS, MODIS is more suitable for reflecting the spatial distribution of vegetation cover in the loess plateau.

NDVI; loess plateau; GIMMS; MODIS; coefficient of correlation; comparative analysis of time series data

2016-03-10;

2016-06-07

中国地震局地震预测研究所基本科研业务经费专项项目(2014IES0203)

邵霄怡(1993-)，女，陕西西安人，硕士研究生，主要从事遥感、测绘与地理信息方面的工作,(电话)18310548977(电子信箱)529674420@qq.com。

10.11988/ckyyb.20160208

2017,34(5):141-145

P407

A

1001-5485(2017)05-0141-05