APP下载

北京市植被覆盖动态变化与污染气体浓度关系分析研究

2018-12-20赵孟云

软件 2018年11期
关键词:臭氧浓度植被指数覆盖度

赵孟云



北京市植被覆盖动态变化与污染气体浓度关系分析研究

赵孟云

(昆明理工大学 国土资源工程学院,云南 昆明 650093)

选用北京市Landsat-5和Landsat-8遥感影像为基础,获取2000、2010、2016年三年的遥感数据,根据最大似然法和最小距离法进行分类,计算归一化植被指数,分析出北京市近几年植被覆盖变化情况。北京市植被从2000年到2010年呈现上升的趋势,到2016年又呈现下降的趋势。再获取某时间点的污染气体浓度,在Arcgis中进行分析处理,得出某时间点气体污染物的浓度示意图,分析表明,大气中污染气体的浓度和植被覆盖率呈现正相关。

归一化植被指数;污染气体浓度;正相关;最大似然法

0 引言

植被是陆地生态系统的重要组成部分,植被覆盖度是指单位面积内植被地上部分的垂直投影面积所占的百分比值[1]。近年来,随着北京市城区的扩建,对生态环境影响也越来越大,随之而来的是周边环境的破坏,导致植被覆盖的减少。在环境领域方面的研究,地理信息系统(GIS)和遥感(RS)技术具有很高的应用价值,GIS用于环境评价与监测比较形象直观,环境评价结合GIS与遥感技术[2],可以实现环境监测的动态化,因此RS-GIS技术的出现真正为环境监测做到了动态化、实时化。NDVI(normalized difference vegetation index)由于检测灵敏度高,范围较宽,可消除地形、阴影干扰和削弱太阳高度角及大气带来的噪音等,常被用来反映植物生长状况和空间分布密度等是植被指数卫星遥感中最具明确意义的指数之一[3-4],在利用 NDVI 对植被覆盖进行监测评价方面,国内外已进行大量的研究与试验[5-9],为监测区域及全球植被和生态环境提供了可靠的数据[10]。

本文选择的是2001年,2010年,2016年北京市地区遥感影像图,在GIS功能的基础上,探讨从遥感影像探讨了从遥感图像提取生态环境状态信息时的波段选取、波段组合及图像处理等信息提取方法[11],得到北京市归一化植被指数。在此基础上以生态环境空间数据库为基础,依次计算出植被覆盖指数、以及大气浓度和植被覆盖率的关系从而来分析北京市的环境现状及其动态监测。综合反映了植被的生长状况、覆盖状况和植被种类等方面,同时具有时空上的连续性。植被覆盖变化会因为气候变化、大气污染以及人类活动的变化而变化[10]

1 研究区概况

北京市在华北平原的最北段,在全球的地理位置是位于北纬39°56¢,东经116°20¢,其市域占据着山地和平原两种类型,山区面积约占全市总面积的62%。在气候方面北京市由于特殊的地理位置使北京市处于暖温带大陆性气候,这就决定了北京市每年的水量适中,季节分明。北京市是全国的政治、文化中心,北京市共管辖17个区,其中海淀区和朝阳区是北京市的经济政治文化中心,气人口众多,建筑面积辽阔,相应的植被覆盖率低,其他区域人口密度相对稀少。本文结合北京市行政界限,分析出植被覆盖和大气污染浓度的直接关系。

2 数据和方法

2.1 数据介绍

本次实验数据基于Landsat-5和Landsat-8遥感影像数据。Landsat-5卫星是美国于1984年发射的光学对地观测卫星[12],Landsat8卫星包含OLI(Operational Land Imager陆地成像仪)和TIRS(Thermal Infrared Sensor热红外传感器)两种传感器[13]。获取2000、2010、2016年三年遥感数据作为基础研究数据,气体浓度数据地理空间数据云空间插值数据的获取。

表1 研究区遥感影像参数表

Tab.1 Parameter table of remote sensing image in study area

2.2 研究内容和技术路线

本文研究内容路线如下:

图1 技术路线流程图

2.3 NDVI计算和数据反演

(1)辐射定标

遥感影像首先进行辐射定标和大气校正,辐射定标即通过影像灰度值来计算辐射强度,Landsat- 5TM定标计算公式为[14]:

式中:λ——为波段值,Lλ——接受辐射强度,Qλ——以DN表示的经过量化标定的像元值,gain——卫星的增益系数,offset——偏移系数[17]。

(2)归一化植被指数的计算[15]

式中NIR为近红外波段,Red为红光波段。Landsat8红光波段与近红外波段分别为B4,B5。

(3)模型估算

利用植被指数近似估计植被覆盖度进行计算,采用如下公式:

NDVImin为最小归一化植被指数值、NDVImax最大归一化植被指数值[16]。

通过对ETM+数据提取的NDVI植被指数进行直方分布图分析,在NDVI频率累积表上取一定频率的NDVI为NDVImin和NDVImax[17]。NDVI频率累积表上分别取频率为5%、95%的NDVI值为NDVImin、NDVImax值[18]。

李苗苗[18]等在像元二分模型的基础上研究的模型为:

NDVIveg则代表完全被植被所覆盖的NDVI值;NDVIsoil为裸地或者是没有植被覆盖的地方的值。

两个值的计算公式为:

当区域内可以近似取VFCmax=100%,VFCmin= 0%[20]公式(4)可变为:

NDVImax和NDVImin分别为区域内一定置信度范围内最大和最小的NDVI值。[19]

最后进行二值化,其公式为:

3 结果与分析

3.1 植被覆盖变化

通过NNVI对归一化植被植被指数的计算,结合模型从而计算出植被覆盖率的情况,获取2000、2010、2016年三年植被覆盖率的计算,得出如图2影像为利用研究区地区的矢量数据生成的ROI建立一个掩膜文件最后对二值化结果进行Raster Color Slice的结果如下:

图2 2000、2010、2016年植被范围图

表2 三年植被覆盖变化特征

Tab.2 Vegetation cover change characteristics in three years

表2是北京市2000年、2010年和2016年的三年植被覆盖率各阶段的所占的百分比,根据给定参数可以计算出北京市各个年份的占地类型。北京市植被覆盖在2000、2010和2016植被覆盖率在20%覆盖度的基础上变化趋势如图3所示:

图3 北京市三年的植被覆盖率的变化

3.2 空气污染气体浓度

在地理空间数据云大气污染插值数据的基础上,获取空气中污染气体浓度,绘制北京市臭氧浓度专题图,并获取北京市行政区域图。臭氧浓度的分布示意图如图4所示:

图4 臭氧浓度的分布示意图

图5 北京市行政区域图

3.3 数据分析

(1)结合图3、表2可以发现北京市在2000年-2010年间北京市植被覆盖率的变化趋势是逐渐减少,覆盖率从65.23%减少到62.62%,在2010-2016期间北京市植被覆盖率又呈现稍微的增加趋势,从62.62%逐渐增加到62.83%。

(2)结合图2和图5北京市行政区域图得出,北京市植被覆盖率最高的地方为延庆县、昌平县等偏西北地区,此处多为山地,人口密集程度较少;植被覆盖较低的地区为海淀区、朝阳区等东南地区,此区域结合北京市实际情况,北京市主城区人口约占整个北京市人口的60%,人口密度的密集导致植被覆盖的减少,此外还跟地形有关。

(3)结合图2北京市植被覆盖范围图和图4北京市臭氧浓度分布示意图显示,植被覆盖越高的地区,臭氧浓度相对较低,植被覆盖越低的地区,臭氧浓度相对较高,基本上呈现负相关的趋势。

(4)结合图2、图3、图4、图5得出近年来北京市植被覆盖度整体较高,存在植被覆盖率<0的地区存在,但是很少。人口越密集的地区例如海淀区、东城区、西城区、朝阳区植被覆盖率越低,伴随之臭氧浓度会变高,人口密度越低的地方,例如怀柔区、密云区、延庆区、昌平区等,植被覆盖率就越高,臭氧浓度会降低。

4 结论

本次研究主要选用北京市Landsat-5和Landsat-8三期遥感影像作为基础数据,通过对遥感影像的拼接裁剪、辐射定标、大气校正等,计算出北京市的NDVI,然后在像元二分模型的基础上,根据NDVI的值计算出整个北京市的植被覆盖率,来得出北京市植被覆盖的动态变化。

研究表明,北京市主城区的植被覆盖率明显大于市郊区,主要是由于人口差异的影像和地形的特征造成的。从北京市辖区向周地区人口逐渐降低,边植被覆盖率逐渐增加,海淀区、东城区、西城区、朝阳区、丰台区人口占据整个北京市60%左右,建筑面积的增加从而导致植被覆盖率较小,说明北京市植被覆盖度和人口数量呈现负相关的关系。2010-2016年植被覆盖率较为稳定,说明人们意识到了植被保护对生活环境的重要性。

研究根据地理空间数据云大气污染插值数据制作臭氧浓度示意图,结合《北京市统计年鉴》,分析得出人口数据、地形数据结合植被覆盖率得出和大气中臭氧浓度的关系。人口密度越大,地势越平台,植被覆盖率越低,大气中臭氧浓度就越大;人口密度越小,植被覆盖率越大,大气中臭氧浓度就越小。

缓解北京市臭氧等污染气体的浓度,改善空气质量应采取增加植被覆盖度的措施,提高整个北京市绿化程度,同时控制城市人口密度,合理规划建筑模式,间接调节整个北京市环境的压力。

[1] 候静, 杜灵通, 马菁, 张学俭. 基于RS与像元二分模型的近20a宁夏植被覆盖研究[J]. 水土保持通报, 2015, 35(05): 127-132.

[2] 李明诗, 孙力, 常瑞雪. 基于Landsat图像的南京城市绿地时空动态分析[J]. 东北林业大学学报, 2013, 41(06): 55-60.

[3] 李晓松, 李增元, 高志海, 白黎娜, 王琫瑜. 基于NDVI与偏最小二乘回归的荒漠化地区植被覆盖度高光谱遥感估测[J]. 中国沙漠, 2011, 31(01): 162-167.

[4] 方红亮, 田庆久. 高光谱遥感在植被监测中的研究综述[J]. 遥感技术与应用, 1998(01): 65-72.

[5] 霍艾迪, 张广军, 武苏里, 岳曼. 利用MODIS-NDVI进行沙化土地评价研究——以陕西省北部地区为例[J]. 干旱地区农业研究, 2008(02): 154-158.

[6] 田野, 苏红旗, 田栋. Hadoop下海量遥感数据的处理[J]. 软件, 2014, 35(03): 91-93.

[7] 曹丹阳, 霍然, 孙凌, 等. 卫星可见光波段观测模拟与分析系统设计与开发[J]. 软件, 2018, 39(3): 01-07

[8] J. Duncan, D. Stow, J. Franklin, A. Hope. Assessing the relationship between spectral vegetation indices and shrub cover in the Jornada Basin, New Mexico[J]. International Journal of Remote Sensing, 1993, 14(18).

[9] Rasim Latifovic, Kostas Fytas, Jing Chen, Jacek Paraszczak. Assessing land cover change resulting from large surface mining development[J]. International Journal of Applied Earth Observations and Geoinformation, 2004, 7(1).

[10] 金鑫. 银川市2001-2009年间大气环境及植被变化研究[D]. 南京信息工程大学, 2012.

[11] 辛肖杰. 基于GIS的青海省海西州生态环境质量评价研究[D]. 青海师范大学, 2013.

[12] 陈俊, 王文, 李子扬, 李安. Landsat—5卫星数据产品[J]. 遥感信息, 2007(03): 85-88+78.

[13] 孙小棋. Landsat卫星图像云层去除算法研究[D]. 安徽大学, 2015.

[14] Gyanesh Chander, Brian L. Markham, Dennis L. Helder. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors[J]. Remote Sensing of Environment, 2009, 113(5).

[15] 何志斌. 昆明市主城区热岛效应特征及驱动机制分析[J]. 软件, 2018, 39(07): 152-156.

[16] 赵翠娥, 丁文荣. 基于ENVI和GIS技术的龙川江流域植被覆盖度动态监测[J]. 林业调查规划, 2013, 38(05): 14-18+44.

[17] 卢柳叶. 基于遥感数据的黄土高原植被覆盖变化分析研究[D]. 西北农林科技大学, 2012.

[18] 王成波. 基于无人机可视光谱的玉米植被覆盖度研究[D]. 昆明理工大学, 2016.

[19] 李苗苗. 植被覆盖度的遥感估算方法研究[D]. 中国科学院研究生院(遥感应用研究所), 2003.

[20] 王宁, 陈民, 郝多虎, 段国宾, 王喆. 基于NDVI估算植被覆盖度的研究——以滁州市为例[J]. 测绘与空间地理信息, 2013, 36(05): 51-54+57.

Analysis of the Relationship Between Dynamic Changes of Vegetation Cover and Pollution Gas Concentration in Beijing

ZHAO Meng-yun

(School of Faculty of Land Resource Engineering, Kunming University of Science and Technology, Kunming 650093, China)

Based on the remote sensing images of Beijing Landsat-5 and Landsat-8, the remote sensing data of 2000, 2010 and 2016 were obtained, classified according to the maximum likelihood method and the minimum distance method, and the normalized vegetation index was calculated to analyze Beijing. Changes in vegetation cover in recent years in the city. The vegetation in Beijing has shown an upward trend from 2000 to 2010, and it has shown a downward trend in 2016. The concentration of polluted gas at a certain point in time is obtained and analyzed in Arcgis to obtain a concentration diagram of the concentration of gaseous pollutants at a certain time. The analysis shows that the concentration of polluted gases in the atmosphere is positively correlated with the vegetation coverage.

Normalized vegetation index; Pollution gas concentration; Positive correlation; Maximum likelihood method

TP79

A

10.3969/j.issn.1003-6970.2018.11.041

赵孟云(1994-),女,硕士研究生,研究方向为地理信息技术及GIS工程。

赵孟云. 北京市植被覆盖动态变化与污染气体浓度关系分析研究[J]. 软件,2018,39(11):197-201

猜你喜欢

臭氧浓度植被指数覆盖度
基于梯度提升算法的近地面臭氧浓度估算比较
呼和浩特市和林格尔县植被覆盖度变化遥感监测
不同品种小麦灌浆期旗叶光合特性及光合基因表达对臭氧浓度升高的响应
低覆盖度CO分子在Ni(110)面的吸附研究
基于植被指数选择算法和决策树的生态系统识别
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
沈阳市臭氧浓度时空分布与变化特征分析
主要植被指数在生态环评中的作用
气象条件对沈阳市环境空气臭氧浓度影响研究