植被指数对藏北高寒草甸干旱的敏感性分析
2018-03-05周艳莲居为民戴声佩包永康
李 晗，周艳莲，居为民，戴声佩，宋 练，包永康
(1.南京大学国际地球系统科学研究所，江苏南京 210046；2.南京大学地理与海洋科学学院，江苏南京 210046；3.江苏省地理信息技术重点实验室，江苏南京 210046)
当前人类活动的不断加剧会对全球大气循环的格局造成越来越严重的影响。许多大气循环模型预测未来全球气候变化的特征，结果是极端降水事件和极端干旱事件发生的频率会显著增加[1-4]。植被生长季干旱严重会影响植被指数、地表温度、土壤湿度、反射率、蒸散等地表生物物理参数[5]。
干旱指数是反映气候干旱程度的指标，许多学者利用气象资料、水文资料、土壤资料或卫星遥感资料等来建立不同的干旱指数，从而进行干旱监测预警。资料显示常用的干旱指数有50多种，例如标准化降水指数(SPI)[6]、Palmer干早指数(PDSI)[7]、Z指数[8]、综合气象干旱指数(CI)[9]等。这些指数在一定程度上为全球或者地区的干旱监测提供了帮助，但都不可避免地需要降水数据的地面采集[10-11]。
与常规地面干旱监测相比，利用遥感手段进行干旱监测具有时空分辨率相对较高、传感器覆盖面广、数据获取较为容易、消耗较少人力物力等特点。随着遥感对地观测能力的提升，大量研究者利用遥感数据不同波段组合获取植被指数，通过简化复杂的干旱现象评估干旱的严重程度。遥感数据可以获取与植物生长有关的植被指数，如归一化差值植被指数(NDVI)和增强型植被指数(EVI)等。NDVI可以反映年尺度和季节尺度上植被生长活动的变化，由于它进行了比值和归一化处理，在一定程度上可以消除如太阳高度角、卫星观测角、地形、云、阴影和大气条件有关的辐照度变化等的部分影响[12]。EVI利用蓝光波段和红光波段通过大气气溶胶时的差别，补偿了残留气溶胶对红光的吸收，综合采用抗大气植被指数和抗土壤植被指数，克服了土壤背景的影响和NDVI在植被高覆盖区易饱和、植被低覆盖区受土壤植被影响较大、对大气衰减去除不彻底等缺点[13]。Song等利用中国地区1982—2005年GIMMS NDVI数据集和降水数据分析认为，在所有气象要素中，每月NDVI的最大值与降水的相关性最强，尤其是在干旱与半干旱地区其相关性表现最为明显[14]。赵伟等采用NDVI时间序列谐波分析法(HANTS)对中分辨率成像光谱仪MODIS产品的EVI数据进行去云处理，重构EVI数据并结合地面的气象数据，分析表明处理后的EVI时间序列数据能够较好地反映干旱对地表植被的影响[12]。但是，NDVI、EVI等均是比较保守的指数，在叶片受到外界环境胁迫而导致水分含量发生变化时，NDVI与EVI自身不一定能及时地响应[15-16]。因此，近年来一些与水分相关的植被指数被越来越多地用于植被水分含量的估计与干旱监测。无论是物理辐射传输模型还是试验统计均表明，植物的水分含量在很大程度上影响着叶片在短波红外波段下的反射率，由于这个区域是叶片水分光谱的吸收范围，所以植被在短波红外的反射率与它们叶片的水分含量是呈负相关的[16]。研究表明，将短波红外波段反射率和近红外波段反射率一起组合建立如归一化差值水体指数(NDWI)和地表水分指数(LSWI)等植被指数可以对植被水分含量进行监测[17]。一些国外学者研究发现，与植被水分有关的植被指数(如LSWI)在植被干旱监测上的敏感性优于与植被生长状况有关的植被指数[18-19]。Bajgain等以美国季风区高杆草原为研究区，分析认为当干旱发生时，LSWI在年际尺度上的下降幅度优于NDVI与EVI，当土壤水分含量发生变化时，LSWI更能对变化做出及时的响应[20]。但目前在国内，尤其是关于半干旱区高原草甸不同类型植被指数对干旱的敏感性研究尚少，不同时间尺度、不同类型植被指数对干旱追踪能力的分析也较欠缺，因此利用不同类型植被指数对半干旱区高原草甸干旱的敏感性进行系统的分析，就显得很有必要。
高寒草甸是青藏高原广泛分布的典型植被类型之一，面积约为1.2×106km2，是亚洲中部高寒地区乃至世界高寒地区极具代表性的植被[21-22]。水分作为高寒草甸这种干旱、半干旱区草原植物生长发育的限制性资源，其缺失会直接导致区域内地生物量的减少，而草原生态系统是陆地生态系统中对干旱非常敏感的系统[1]。因此，对高寒草甸的干旱进行分析与评估是至关重要的。目前由于人类活动的加剧，藏北牧区超载放牧现象十分严重，极端天气事件时有发生，草地利用压力很大，因此对类似于当雄草原这种典型高寒草甸植被的干旱监测研究显得很有必要[21]。本研究以高寒草甸干旱的监测与评估为目的，以MODIS的反射率数据为遥感数据源，计算NDVI、EVI、LSWI等植被指数，结合同时相内观测的降水与土壤湿度数据，分析在不同时间尺度上，不同类型植被指数对干旱的敏感性，筛选出适宜高寒草甸干旱监测与评估的最佳遥感指数。
1 数据与方法
1.1 研究地概况
西藏自治区拉萨市当雄县草原站，地理坐标为 30°29′50.21″N，91°03′58.90″E，地处念青唐古拉山的南缘。当雄草原植被属于典型的高寒嵩草草甸植被，建群种有高山嵩草、矮嵩草、丝颖针茅，伴生种有多种密丛生嵩草，本类草甸由于超载过牧而退化，针茅类入侵较多，常形成草原草甸，群落覆盖度约80%。气候为高原季风气候，年平均气温1.3 ℃，最冷月1月最低平均气温-10.4 ℃，最热月7月10.7 ℃。多年平均降水量450 mm，其中85%集中在6—8月。冰冻期较长，持续时间为11月至次年1月。年太阳总辐射 7 527.6 MJ/m2，光合有效辐射3 213.3 MJ/m2。土壤类型为高寒草甸土，土壤厚度为30～50 cm。
1.2 降水与土壤湿度数据
采用2个不同深度(5、10 cm)的土壤水分含量(SWC)来表征土壤的湿润程度。同时，为了与MODIS地表反射率数据匹配，对站点获取的日平均降水和土壤水分含量数据分别作求和与平均处理，获得时间尺度为8 d的数据，进一步计算得到月平均降水、年平均降水和土壤水分含量。
1.3 遥感数据源及数据处理
MODIS数据可以同时获得可见光至近红外的36个波段，常被用于植被遥感研究。本研究通过美国航空航天宇航局的戈达德航天中心数据网站(LAADS，https：//ladsweb.nascom.nasa.gov/)下载覆盖当雄通量观测站点每8 d的合成地表反射率产品MOD09A1，时间序列为2004年至2012年，空间分辨率为500 m，该产品主要包括MODIS传感器1～7波段的地表反射率数据和各个波段的质量控制数据，同时还包括反射率数据状态质量保证数据。利用MODIS数据的处理工具(MRT)将投影方式由Sinusoidal投影转换为UTM/WGS 84投影，并通过最近邻法重采样，获取站点中心单像元红光波段(620～670 nm)、近红外波段1(841～876 nm)、蓝光波段(459～479 nm)以及短波红外波段1(1 628～1 652 nm)反射率数据。根据公式(1～3)分别计算不同时间尺度的NDVI、EVI和LSWI。
(1)
(2)
(3)
式中：ρX为MOIDS数据X波段的反射率；公式(2)中C1和C2是气溶胶等大气影响物的校正系数，L为背景(土壤)调整系数，G为常量，取值分别为C1=6，C2=7.5，L=1，G=1。
由于LSWI与天气条件有关，无法像叶面积指数(LAI)和光合作用有效辐射比率(FPAR)一样进行数据平滑处理[21]。本研究结合质量控制数据，采用两步差补方法处理时间序列中受云影响、质量较差的植被指数数据[22]。NDVI、EVI和LSWI均未作平滑处理。
2 结果与分析
2.1 年时间尺度敏感性分析
图1表明，2004—2012年，拉萨当雄高原草甸站点植被生长季的年平均降水量为428 mm(±126 mm)。年平均降水量大于2004—2012年平均降水量与标准差之和(554 mm)的年份被认为是湿润年，而年平均降水量小于2004—2012年平均降水量与标准差之差(302 mm)的年份被认为是干旱年。拉萨当雄高原草甸站点2006、2009年的降水量分别只有241、291 mm，因此为干旱年。而2008年的降水量为648 mm，因此为湿润年。干旱年份(2006、2009年)植被生长季(5—9月)的不同深度(5、10 cm)土壤水分含量均<9%，而湿润年份(2008年)土壤水分含量为12.6%。
图2表明，干旱年份(2006、2009年)植被生长季平均NDVI(NDVIavg)、EVI(EVIavg)和LSWI(LSWIavg)在分析的时间序列中均较低(NDVIavg<0.28、EVIavg<0.18、LSWIavg<0)，而在湿润年份(2008年)植被生长季NDVI、EVI和LSWI均达到最大值(NDVIavg=0.41、EVIavg=0.28、LSWIavg=0.07)。
干旱年份(2006、2009年)植被生长季植被指数最大值NDVI(NDVImax)、EVI(EVImax)和LSWI(LSWImax)均取得最小值(NDVImax<0.44，EVImax<0.29，LSWImax<0.07)，在湿润年份(2008年)植被生长季植被指数只有最大值NDVI和LSWI达到峰值(NDVImax=0.64，LSWImax=0.20)，而EVImax仅为0.48，远远小于2011年(EVImax=0.67)。
植被指数均值和最大值的变化幅度可以用来表征植被指数对干旱的相对敏感性。变化幅度用当年植被指数的均值或最大值减去多年相应的平均值表示。变化幅度百分比用当年植被指数的均值或最大值减去多年相应的平均值后的结果再除以多年相应的平均值表示。如图3所示，2006年LSWIavg与2004—2012年平均值相比，减少了0.052(316%)，减少幅度最大。2009年的结果与2006年相似，LSWIavg、EVIavg、NDVIavg
分别比2004—2012年平均值减少0.037(227%)、0.068(16%)、0.054(29%)。植被生长季LSWImax与NDVImax、EVImax相比也表现出同样的敏感性，2006年LSWImax减少0.13(96%)，均大于EVImax减少的0.14(35%)与NDVImax减少的0.11(22%)。同样的，2009年LSWImax减少0.07(52%)，均大于EVImax减少的0.13(32%)与NDVImax减少的0.08(16%)。
湿润年份(2008年)LSWI持续大于0的时间最大，而2006年仅有1个LSWI大于0。由于气温低，海拔高，4月中旬生长季才刚刚开始。经过春季生长之后，植被生长的速率很大一部分取决于土壤水分含量是否充足。若土壤水分含量不充足，植被的生长就会受到抑制。相反，干旱年份LSWI小于0的天数多于湿润年份与正常年份，而湿润年份LSWI大于0.1的时间多于干旱年份与正常年份。如图4所示，LSWI小于0的天数随降水量的增加整体是下降的。2006年LSWI小于0的天数为120 d，大于2007年的72 d和2008年的 40 d，而2006年LSWI大于0.1的天数仅为8 d，而2008年为88 d，大于2007年的56 d。
2.2 月时间尺度敏感性分析
在分析以植被指数为基础的干旱指标对降水的敏感性时，易忽略植被指数和降水的同时相季节变化，可能对其相关性产生影响。本研究为消除季节变化引起的降水与植被指数的正弦波动，对月时间尺度的降水数据和植被指数数据均作了距平处理。具体做法是用当月降水的总累积量和植被指数的平均值减去多年的月平均值。图5显示，当前月份LSWI与降水距平的相关性最高，r2达到0.32(P<0.001)，其次是NDVI，r2为0.16(P<0.1)，EVI的r2最低，仅为0.05。而在1个月滞后的情况下，NDVI与EVI的r2分别为0.20(P<0.01)和0.24(P<0.01)，与当前月份降水与植被指数距平相关性相比有一定的提高，而LSWI和降水距平的r2仅为0.17(P<0.1)，有一定的下降。
3 结论与讨论
相比利用气象、水文、土壤等资料建立干旱指数用于干旱监测等方法而言，以植被指数为核心的遥感干旱监测指数具有很多优势。其成本低、时空分辨率较高、对降水能够及时响应，而且它对地表植被的叶绿素含量、水分含量均比较敏感，优势明显。植被在不同波段的光谱特征能反映指数的不同要素或者某种特征的差异，植被指数利用多个光谱波段的反射率经分析运算(线性或非线性组合方式)，产生对植被长势、水分含量等有一定指示意义的数值。这是利用植被指数进行干旱监测与评估的理论基础[20]。Chandrasekar等以印度南岸的城市——安得拉邦为研究区，以整个地区MODIS反射率数据为基础，结合气象数据分析认为，LSWI在低降水地区与降水的相关性更好，优于NDVI；而在高降水地区，LSWI与降水的相关性要差于NDVI，且都存在滞后现象[23]。但是该研究没有考虑因季节变化引起的降水和植被指数在年内的正弦波动，这种季节特性在一定程度上影响了结果的可靠性。本研究利用NDVI、EVI、LSWI这3种指数对高寒草甸进行干旱监测，同时为消除季节变化引起的降水与植被指数的正弦波动，对降水和植被指数在月尺度上进行距平处理，结果显示月时间尺度上LSWI对降水的敏感性优于NDVI与EVI，且LSWI不存在滞后现象。这与草原生态系统下垫面比较均一、受背景反射率影响较小等原因有关。2006年夏季站点周围发生了严重的干旱现象，LSWI在8、9月已经显示出明显的下降趋势，而NDVI和EVI直到10月才开始下降。进一步说明LSWI对降水的敏感性在月尺度上较NDVI、EVI更好，且不存在滞后现象(图6)。
Bajgain以美国季风区的2个高杆草原站点为研究区、以遥感获取的LSWI为基础对干旱进行的分级(LSWI>0.1；0 以植被指数为核心的遥感干旱监测指数虽然具有很多优势，但在其大范围应用之前应该对不同的植被类型进行遥感干旱检测研究，以确定合适的研究指标和研究手段。本研究的目的就是探讨藏北典型高寒草甸干旱检测的最佳遥感指数，以期更精确地对高寒草甸干旱事件的发生进行有效地监测与评估。当然利用植被指数进行干旱监测与评估也有诸多限制，例如遥感观测资料的时间尺度，在天时间尺度或者更高时间尺度上的实时监测目前来讲仍存在极大挑战，不过随着区域性小卫星的陆续发射升空，也为干旱的实时遥感监测提供了可能。 对干旱指数的评价应该从多方面进行，综合考虑。本研究评价干旱指数的效果时，采用被广泛使用的相关系数r2和显著性水平P值作为主要评价指标，也定性地分析了在干旱发生当月，最早作出反应的植被指数，并验证了以LSWI为基础的干旱指标在半干旱区的适应性问题，进一步说明LSWI对草原干旱事件的响应优于NDVI与EVI。 本研究利用MODIS反射率数据计算NDVI、EVI和LSWI，结合降水与土壤湿度数据对藏北高寒草甸干旱进行监测，干旱事件发生时植被生长受到了很大的限制，3种植被指数在干旱年份(2006年)减小幅度也基本相同，LSWI略为敏感。月尺度上LSWI与降水距平的相关性最高，r2达到0.32，其次是NDVI与EVI，且LSWI不存在滞后现象。LSWI<0的天数随降水量的增加呈明显的减少趋势。利用LSWI对干旱进行分级(LSWI>0.1；0 [1]张 彬，朱建军，刘华民，等.极端降水和极端干旱事件对草原生态系统的影响[J].植物生态学报，2014，38(9)：1008-1018. [2]International Panel on Climate Change.Climate change 2007：impacts，adaption and vulnerability[R].New York：Cambridge University Press，2007. [3]Easterling D R，Meehl G A，Parmesan C，et al.Climate extremes：observations，modeling，and impacts[J].Science，2000，289(5487)：2068-2074. [4]Meehl G A，Tebaldi C.More intense，more frequent，and longer lasting heat waves in the 21st century[J].Science，2004，305(5686)：994-997. [5]Ghulam A，Li Z L，Qin Q，et al.Exploration of the spectral space basedon vegetation index and lbedo for surface drought estimation[J].Journal of Applied Remote Sensing，2007，1(1)：13529-13529. [6]王劲松，李耀辉，王润元，等.我国气象干旱研究进展评述[J].干旱气象，2012，30(4)：497-508. [7]杨小利，杨兴国，马鹏里，等.PDSI在甘肃中东部地区的修正和应用[J].地球科学进展，2005，20(9)：1022-1028. [8]王劲松，黄玉霞，冯建英，等.径流量Z指数与Palmer指数对河西干旱的监测[J].应用气象学报，2009，20(4)：471-477. [9]李树岩，刘荣花，师丽魁，等.基于CI指数的河南省近40年干旱特征分析[J].干旱气象，2009，27(2)：97-102. [10]王春林，郭 晶，薛丽芳，等.改进的综合气象干旱指数CInew及其适用性分析[J].中国农业气象，2011，32(4)：621-626. [11]张红卫，陈怀亮，申双和，等.基于表层水分含量指数(SWCI)的土壤干旱遥感监测[J].遥感技术与应用，2008，23(6)：624-628. [12]赵 伟，李召良.利用MODIS/EVI时间序列数据分析干旱对植被的影响[J].地理科学进展，2007，26(6)：40-46. [13]彭代亮，黄敬峰，王秀珍.基于MODIS-EVI区域植被季节变化与气象因子的关系[J].应用生态学报，2007，18(5)：983-989. [14]Song Y，Ma M G.A statistical analysis of the relationship between climatic factors and the normalized difference vegetation index in China[J].International Journal of Remote Sensing，2011，32(14)：3947-3965. [15]刘小磊，覃志豪.NDWI与NDVI指数在区域干旱监测中的比较分析——以2003年江西夏季干旱为例[J].遥感技术与应用，2007，22(5)：608-612. [16]刘立文，张吴平，段永红，等.TVDI模型的农业旱情时空变化遥感应用[J].生态学报，2014，34(13)：3704-3711. [17]Chen D Y，Huang J F，Jackson T J.Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near- and short-wave infrared bands[J].Remote Sensing of Enviroment，2005，98(2)：225-236. [18]张友水，谢元礼.MODIS影像的NDVI和LSWI植被水分含量估算[J].地理科学，2008，28(1)：72-76. [19]刘元亮，李 艳，吴剑亮.基于LSWI和NDVI时间序列的水田信息提取研究[J].地理与地理信息科学，2015，31(3)：32-37. [20]Bajgain R，Xiao X M，Wagle P，et al.Sensitivity analysis of vegetation indices to drought over two tallgrass prairie sites[J].ISPRS Journal of Photogrammetry and Remote Sensing，2015(108)：151-160. [21]周宇庭，付 刚，沈振西，等.藏北典型高寒草甸地上生物量的遥感估算模型[J].草业学报，2013，22(1)：120-129. [22]Zhang Y，Song C H，Sun G，et al.Understanding moisture stress on light use efficiency across terrestrial ecosystems based on global flux and remote sensing data[J].Journal of Geophysical Research：Biogeosciences，2015，120(10)：2053-2066. [23]Chandrasekar K，Sesha S，Roy P S，et al.Land surface water index (LSWI) response to rainfall and NDVI using the MODIS vegetation index product[J].International Journal of Remote Sensing，2010，31(15)：3987-4005.
