南充市辖区近15年植被覆盖度变化特征

王磊, 王杰, 付林, 林叶彬,3*



南充市辖区近15年植被覆盖度变化特征

王磊1, 王杰1, 付林2, 林叶彬1,3*

1. 西华师范大学，南充 637009 2. 西南交通大学，成都 611756 3. 区域环境演变与保护研究中心, 西华师范大学，南充 637009

植被覆盖度是自然条件和社会经济活动的综合反映, 研究一个区域植被覆盖度的时空变化对于认识该地区的社会发展状况、制定更加合理的生态环境政策、实现经济可持续发展具有重要意义。基于2002年Landsat 7 ETM、2014年Landsat 8影像和DEM数据, 利用ENVI和ArcGIS软件进行处理, 运用归一化植被指数(NDVI)方法对南充市辖区植被覆盖度进行估算, 并划分为5个不同盖度等级。根据DEM数据提取海拔、坡度和坡向因子, 然后将植被覆盖度图与海拔、坡度、坡向图进行叠加, 定量分析了南充市辖区植被的空间分布特征及其变化情况。结果表明, 南充市辖区植被覆盖度在2002—2014年总体变化不大, 其中以Ⅴ级(fc ≥ 0.8)植被覆盖度为主, 其覆盖面积达42.49%。2002—2014年, Ⅳ级和Ⅴ级增加了60 km2和191 km2, 增幅率分别为7.61%和21.39%, 而Ⅰ、Ⅱ和Ⅲ级分别减少了84 km2、124 km2和42 km2, 降幅为31.7%、56.62%和10.91%。其中植被集中分布在海拔300 m—400 m和坡度2°—6°的地带, 植被覆盖度坡向差异呈现半阳坡>半阴坡>阳坡>阴坡的特征。

植被覆盖度; 归一化植被指数; 空间分布; 南充市辖区

0 前言

植被覆盖度是指植被(包括叶、茎、枝)在单位面积内垂直投影面积所占比例[1]。植被作为生态系统的重要组成部分, 是生态系统中物质循环与能量流动的中枢, 是随人类社会经济活动有重要贡献的资源, 是生态系统存在的基础, 也是连接土壤、大气和水分的自然“纽带”[2]。在生态环境系统中, 植被覆盖状况在很大程度上影响甚至直接决定着区域生态环境中的第一性生产力、环境承载力、环境洁净与美化、水土流失强度等生态环境系统的状态与功能[3]。因此, 植被覆盖度作为衡量地表植被覆盖的一个最重要的指标, 对水文、生态、全球变化等都具有重要的意义[4]。

目前利用遥感影像数据来提取植被覆盖度的方法主要有经验模型法、植被指数法和像元法[5-6]。经验模型法主要是通过建立实测植被覆盖率数据与植被指数的经验模型来求取大面积植被覆盖率[7], 又可分为线性回归模型法与非线性回归模型法。线性回归模型法, 如: Graetz与Pech对Landsat Miss第5波段与植被覆盖度的实测数据进行线性回归分析, 并利用得到的回归模型测量了稀疏草地的植被覆盖度[8]。Dymond等为研究新西兰退化草地的植被覆盖度, 使用NDVI计算出植被指数, 并用该植被指数与植被覆盖度进行拟合, 得到非线性回归模型[9]。经验模型法只适用于特定的区域与特定的植被类型, 一般不易推广, 不具有普遍意义[10]。植被指数法是指直接利用植被指数近似估算植被覆盖度, 所使用的植被指数一般都经过验证与植被覆盖度具有良好的相关关系, 不需要建立回归模型。杨胜天等使用NDVI将植被覆盖度分为四种类型: 高覆盖度类型(植被覆盖度>75%), 中高覆盖度类型(植被覆盖度在60%与75%之间)、中覆盖度类型(植被覆盖度在45%与60%之间)、低覆盖度类型(植被覆盖度≤45%)[11]; Muriithi等使用NDVI来研究肯尼亚中部高地植被状况的变化[12]。Worku Zewdie等通过MODIS影像计算NDVI, 通过NDVI监测埃塞俄比亚西北部的生态系统动态和气候变量来评估旱地植被的长期趋势变化性[13]; Chaithanya等用Landsat 7 ETM图像研究NDVI和LST的关系和空间变化[14]。像元分解模型法目前已开发出的模型主要有种, 分别为线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型[15]。其中最常用的就是线性模型中的像元二分模型。李苗苗在像元二分模型的基础上, 对已有的模型进行改进, 利用NDVI定量估算植被覆盖度的模型[4]。田义超等利用像元二分模型对北部湾沿海地区植被覆盖计算, 及植被覆盖对气温和降水的旬响应特征[16]。Li等用像元二分模型计算河南省的植被覆盖度, 再结合地形因子计算各个坡度、坡向和海拔上的植被覆盖度的差异[17]; Wang等利用2002—2013年的Landsat影像, 根据植被覆盖度变化对上海的地表城市热岛进行分析[18]。

大量研究表明, NDVI在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用, 它是植物生长状态以及植被空间分布密度的最佳指示因子[19]。很多学者通过NDVI来描述一个地区的植被覆盖度, 并分析植被覆盖对气象因子的响应特征, 以及对植被变化的驱动力进行分析, 像元二分模型也广泛应用于植被覆盖度的提取。

南充市辖区位于四川盆地, 全年云量较大, 影像大多难以利用, 少有学者对该区域植被覆盖度开展研究工作。本文应用像元二分模型、遥感与GIS技术对南充市辖区的植被覆盖度进行估算, 结合地形(海拔、坡度、坡向)量化了植被覆盖度与地形因子的关系, 对研究区域过去15年来的植被覆盖变化进行了初步探究。

1 研究区概况

南充市辖区包括顺庆区、嘉陵区和高坪区, 位于南充市境内(30°35′—31°51′N, 105°27′—106°58′E), 为亚热带温暖湿润季风气候区, 四季分明, 气候温和, 雨量充沛。年均气温17℃, 年均降水量1100 mm, 地形以低山、丘陵和平坝为主。植被以亚热带常绿阔叶林和亚热带落叶阔叶林为主, 境内多为马尾松、柏树和杉木等构成的林地。林地遭到破坏后, 形成黄荆、马桑、小果蔷薇、白栎等组成的灌丛。

南充森林覆盖率在经历了大炼钢铁和农村办公共食堂后, 树木大量减少, 森林覆盖率大幅度降低。在“文化大革命”期间, 再次出现大面积的乱砍滥伐, 南充全区林业生产急转直下, 全市森林覆盖度下降到历史最低点, 出现大量的水土流失, 生态失调, 环境恶化。在中国共产党第十一届三中全会后, 南充市的森林覆盖率不断上升, 20世纪80年代后, 南充市兴林业经济体制改革, 广大群众造林积极性空前高涨, 速生丰产林得到快速发展。同时该时期南充市加大了生态环境保护的投入, 实施了包括长江防护林、环城绿化、退耕还林和天然林保护等系列生态工程, 全市植被得到很好的恢复和发育, 到2003年, 顺庆、高坪、嘉陵三区森林覆盖率达到30.7%。

2 数据来源和研究方法

2.1 数据选择与预处理

本研究选择2014年8月6日南充市辖区Landsat 8影像和2002年8月29日南充市辖区Landsat ETM+影像的多光谱影像为数据源, 分辨率为30 m, 轨道号为128/39, 云量为2.92%和0.03%, 选用DEM数字高程数据, 分辨率为30 m, 数据均来自地理空间数据云(http://www.gscloud.cn)。对Landsat 8的多光谱影像在ENVI 5.1中进行辐射定标和大气校正, 再根据研究区的矢量图层对影像图进行裁剪。具体流程如下:

(1)辐射定标。在提取NDVI之前要对影像数据进行辐射定标。即将传感器记录的电压或数字化值(DN)转换成绝对辐射亮度值的过程或者转换与地表反射率、表观温度等有关的相对值的处理过程[20]。本文采用的ENVI 5.1 Radiometric Correction模块进行辐射定标。

(2)大气校正。由于电磁波在大气中的传输和遥感器观测过程中光照条件以及大气作用的影响, 遥感器的测量值与地物实际的光谱辐射率是不一样的, 使光谱分布发生变化, 测量值发生辐射失真[21]。所以, 大气校正的目的是消除大气和光照等因素对地物反射的影响。ENVI大气校正模块提供两种大气校正工具: FLAASH和Quick Atmospheric Correction两种校正工具。本文采用FLAASH 模块进行大气校正。得到大气校正后的波普曲线图(图1)。

(3)将shapefile格式面状文件加载在ENVI 5.1中, 使用南充市辖区行政界线矢量数据对大气校正后的影像进行裁剪, 得到南充市辖区的影像(图2)。

2.2 NDVI计算

NDVI根据植被反射波段的特性, 由遥感传感器获取的多光谱数据经线性和非线性组合计算出来的各种数值, 对植被覆盖具有一定的指示意义, 一般选用强吸收的可见光红波段和强反射的近红外波段组合计算[22]。

即NDVI=(NIR-R)/(NIR+R) (1)

2.3 植被覆盖度的提取

运用归一化植被指数(NDVI)估算一定区域的植被覆盖度的研究有很多, 参考已有的研究成果, 本文采用公式(2)进行计算, 即

图1 大气校正前后光谱曲线对比

Figure 1 Spectral curve comparison before and after atmospheric correction

图2 南充市辖区影像图

Figure 2 Image of Nanchong Jurisdiction

FC=(NDVI－NDVImin)/(NDVImax－NDVImin)[6](2)

式中: FC是植被覆盖度, NDVImin和NDVImax分别为最小和最大NDVI值, 考虑到遥感影像中不可避免的存在噪声, 它可能产生过低或过高的NDVI值。因此, 并不能直接取NDVI得最大最小值, 而是取一定置信度区间的最大最小值, 通过对影像的NDVI植被指数进行直方图分布图分析, 在NDVI频率累积表上取一定频率的NDVI为NDVImin和NDVImax[19]。本文根据研究区的实际情况, 选择5%和95%的NDVI值作为NDVImin和NDVImax(表1)。

2.4 植被覆盖度等级划分

NDVI的值在-1—1之间变动, NDVI<0表示地表覆盖为水、雪等高反射的事物, NDVI=0表示岩石或者裸土等, NDVI>0表示植被覆盖度的稀疏与浓密情况, NDVI的值越高, 说明植被覆盖度越好。将得到的FC图在ARCGIS中用重采样的方法对研究区的植被覆盖度进行分类。本文结合研究区的实际情况, 并参考其他相关研究成果[23-24], 将南充市辖区的植被覆盖度分为5级(表2)。

2.5 植被覆盖度分级结果

按照公式(1)到(2)计算研究区的植被覆盖度, 按表2进行分级, 并对各个分类进行统计, 得到2002年和2014年植被覆盖度分级图(图3 a、b)。

表1 研究区NDVI最小值和最大值

2.6 地形因子类型划分

运用ArcGIS 10.2软件对DEM数据进行裁剪, 对裁剪出的南充市辖区DEM进行坡度、坡向提取, 然后对坡度、坡向和海拔进行重分类。分别得到研究区的海拔、坡度、坡向图(图4), 研究区的坡度在0°—53.4612°之间, 根据研究区的实际情况, 将坡度划分为5个等级[25]: 0°—2°, 2°—5°, 5°—15°, 15°—25°和>25°。海拔等级划分, 研究区的海拔为191 m—805 m, 考虑到南充市辖区的具体的地势情况, 将海拔划分为5个等级: <300 m, 300 m—400 m, 400 m—500 m, 500 m—600 m, >600 m。坡向划分: 把坡向分为9中类型, 即: 平面(—1°), 北坡(0°—22.5°, 337.5°—360°)、东北坡(22.5°—67.5°)、东坡(67.5°—112.5°)、东南坡(112.5°—157.5°)、南坡(157.5°—202.5°)、西南坡(202.5°—247.5°)、西坡(247.5°—292.5°)和西北坡(292.5°—337.5°)。

表2 植被覆盖度分级

3 结果与分析

3.1 植被覆盖度时空特征及面积统计

通过2002年和2014年植被覆盖度分级图(图3 a、b), 统计各级相应的植被覆盖度面积及其变化面积(表3)。由表3可知, 研究区2002和2014年植被覆盖度都是Ⅴ级所占的比重最大, 分别为42.49%和35.02%, 说明研究区植被覆盖状况很好。2002—2014年研究区植被覆盖度总体变化不大, 但其中Ⅳ级和Ⅴ级增加了60 km2和191 km2, 增幅率分别为7.61%和21.39%, 而Ⅰ、Ⅱ和Ⅲ级分别减少了84 km2、124 km2和42 km2, 降幅分别为31.7%、56.62%和10.91%, Ⅱ级降幅比较大, 说明研究区注重生态环境的保护, 加强了生态环境建设, 植被得到了有效恢复, 植被覆盖度由低植被覆盖度向高植被覆盖度转化的特征。

图3 南充市辖区植被覆盖度空间分布图

Figure 3 Spatial distribution of vegetation coverage in Nanchong Jurisdiction

图4 南充市辖区地形分级图

Figure 4 Classification map of Nanchong Jurisdiction terrain

表3 各等级植被覆盖度占比统计

3.2 不同海拔带植被覆盖度分布及面积统计

将植被覆盖度图(图3 a、b)与海拔分级图(图4a)通过栅格计算器进行计算, 得到各等级植被覆盖度在不同海拔下的分布面积(表4)。从表4中可以看出, 在大于300 m的同一海拔范围内, 植被覆盖度面积随等级的升高而增加, 在海拔<300 m时, 植被呈先减少后增加的趋势。各个等级的植被覆盖度随着海拔的升高而持续减少, 在海拔600 m以上几乎减少至0。在2002年, 海拔300 m以下以Ⅰ级植被覆盖为主, 海拔300 m以上都以Ⅴ级植被覆盖为主; 2014年, 各个海拔带都以Ⅴ级植被覆盖为主。2002—2014年Ⅰ、Ⅱ和Ⅲ级植被覆盖度区域在不同海拔带上都呈下降趋势, 其中Ⅳ和Ⅴ级呈增加趋势, 在海拔<300 m和300—400 m时, Ⅱ级下降的比重较大, 分别达到53%和62%, Ⅴ级增加40%和18%; 在海拔400—500 m时, Ⅰ级降幅最大, 达到57%, Ⅳ和Ⅴ级的增幅都是16%。500—600 m地带和>600 m地带的区域植被覆盖度面积变化相对较小, 说明海拔相对较低的地区人类活动影响较大, 海拔相对较高的地方受人类活动的影响相对较小。

表4 不同海拔带植被覆盖度的变化特征

表5 不同坡度带植被覆盖度的变化特征

3.3 不同坡度带植被覆盖度分布及面积统计

将植被覆盖度图(图3 a、b)与坡度分级图(图4 b)通过栅格计算器进行计算, 得到各等级植被覆盖度在不同坡度下的分布面积(表5)。根据表5统计的数据显示, 研究区植被覆盖度具有明显的坡度分异特征。随着坡度的增加, 植被覆盖度呈现先增加后降低的特征。2002年0°—2°的区域以Ⅰ级植被覆盖为主, 其面积比重达到26.88%; 坡度在2°—6°的区域以Ⅳ级植被覆盖为主, 其面积比重达到27.89%; 6°以上区域则以Ⅴ级植被覆盖为主, 面积所占比重随坡度的增加而增加; 在2014年, 各坡度带中均以Ⅴ级植被覆盖为主, 最高比重达到37.31%。2002—2014年, 研究区Ⅰ、Ⅱ、Ⅲ级的植被覆盖区域面积总体呈现下降的特征, Ⅳ和Ⅴ级植被覆盖呈现增加的特征, 但各个坡度带上总的植被覆盖并没有发生较大变化。

3.4 不同坡向植被覆盖度分布及面积统计

将植被覆盖度图(图2 a、b)与海拔分级图(图3 c)通过栅格计算器进行计算, 并将坡向按照阴坡(0± 22.5°)、半阴坡(45±22.5°、315°±22.5°、90°±22.5°)、半阳坡(270°±22.5°、135°±22.5°、225°±22.5°)、阳坡(180°±22.5°)分为 4 个坡度, 统计各等级植被覆盖在不同坡向下的分布面积(表6)。根据表6 的数据显示, 在各个坡向上, 随着植被覆盖度等级的升高, 植被覆盖度呈现先减小后增加的趋势。2002年和2014年研究区域植被覆盖度在不同坡向上所占的比例总体上都呈现为半阳坡(39%)>半阴坡(38%)>阳坡(11%)>阴坡(12%), 且半阳坡和半阴坡、阳坡和阴坡都相差无几。各坡向上不同植被覆盖度等级所占面积均有不同程度的升降, Ⅰ、Ⅱ和Ⅲ级植被覆盖减少, Ⅳ和Ⅴ级比重增加。

4 结论与讨论

4.1 结论

本文利用ENVI和ArcGIS软件, 对遥感影像进行处理, 将影响植被分布的因子进行叠加, 得到了研究区植被覆盖的空间分布。

表6 不同坡向植被覆盖度的变化特征

(1)研究区植被覆盖度总体较好, 具有明显的空间差异。低植被覆盖区域主要集中在辖区市区, 高植被覆盖区域主要集中在嘉陵区和高坪区的山区, 其中Ⅴ级植被覆盖所占的区域面积最大, 高达42.49%以上。2002—2014年, Ⅳ级和Ⅴ级增加了60 km2和191 km2, 增幅率分别为7.61%和21.39%, 而Ⅰ、Ⅱ和Ⅲ级分别减少了84 km2、124 km2和42 km2, 降幅分别为31.7%、56.62%和10.91%。

(2)研究区植被覆盖度因海拔、坡度和坡向等地形因子的影响呈现出分异的特征。其中海拔300 m—400 m和坡度2°—6°的地带植被覆盖度相对较高。植被覆盖度坡向差异呈现半阳坡>半阴坡>阳坡>阴坡的特征。

4.2 讨论

研究区植被覆盖度总体变化不大, 极低植被覆盖、低植被覆盖和中植被覆盖区域面积减少, 中高植被覆盖和高植被覆盖所占面积增加。1993年, 三区城市建成区面积仅20.3 km2, 2005年, 建成区城区面积53.74 km2, 2010年, 市辖三区建成区面积78 km2, 2013年三区建成区面积扩张到109 km2, 极低植被覆盖、低植被覆盖和中植被覆盖区域面积减少, 可能是该时期城市建设用地扩张的结果。也可能是极低植被覆盖、低植被覆盖和中植被覆盖中向高植被覆盖和高植被覆盖演替的结果。20世纪80年代后, 南充市兴林业经济体制改革, 广大群众造林积极性空前高涨, 速丰林得到快速发展。同时该时期南充市加大了生态环境保护的投入, 具体表现为长江防护林、环城绿化、退耕还林和天保工程, 研究区植被得到很好的恢复和发育也是中高植被覆盖和高植被覆盖所占面积增加的原因。另外, 本文尚有诸多不足之处:

(1)本研究只对2002—2014年两个节点上的植被景观进行了分析, 无法掌握研究时段内植被覆盖度的具体变化过程。未来如有条件, 合理增加影像数量, 以便更加精确、真实的分析南充市辖区的生态变化情况。

(2 缺少实地测量数据NDVIveg与NDVIsoil及其对应的NDVImax与NDVImin值。

(3)本研究对南充市辖区近15ａ的植被覆盖时空变化特征和内部转移变化特征进行了分析, 但对其变化的主要影响因素未做深入讨论, 未来应结合社会经济因子和气温、降水等自然因素来分析影像植被覆盖度变化的驱动因子, 为南充市辖区生态系统监测提供依据。

[1] 王春梅, 顾行发, 余涛, 等. 农田春小麦叶面积指数和覆盖度时空变异性研究[J]. 农业机械学报, 2014, 45(08): 254–261, 235.

[2] 袁静文. 宜昌地区植被信息提取与变化检测研究[J]. 交通科技与经济, 2014, 16(04): 117–120.

[3] 左伟著. 基于RS、GIS的区域生态安全综合评价研究[M]. 北京: 测绘出版社, 2004..

[4] 李苗苗, 吴炳方, 颜长珍, 等. 密云水库上游植被覆盖度的遥感估算[J]. 资源科学, 2004(04): 153–159.

[5] 李成范, 苏迎春, 周廷刚, 等. 基于遥感的重庆市植被覆盖格局变化研究[J]. 西南师范大学学报: 自然科学版, 2009, 34(01): 123–128.

[6] 易胜. 基于RS和GIS岩溶地区植被覆盖度分析[D]. 广西师范大学, 2008.

[7] 陈晋, 陈云浩, 何春阳, 等. 基于土地覆盖分类的植被覆盖率估算亚像元模型与应用[J]. 遥感学报, 2001(06): 416– 422+481.

[8] GRAETZ R.D, PECH R.P, DAVIS A.W. The assessment and monitoring of sparsely vegetated rangelands using calibrated Landsat data[J]. International Journal of Remote Sensing, 1988, 9(7): 1201–1222.

[9] DYMOND J.R, STEPHENS P.R, NEWSOME P.F, et al. Percent vegetation cover of a degrading rangeland from SPOT[J]. International Journal of Remote Sensing, 1992, 13(11): 1999–2007.

[10] 程红芳, 章文波, 陈锋. 植被覆盖度的遥感估算方法研究进展[J]. 国土资源遥感, 2008(01): 13–18.

[11] 杨胜天, 刘昌明, 杨志峰, 等. 南水北调西线调水工程区的自然生态环境评价[J]. 地理学报, 2002(01): 11–18.

[12] MURIITHI F.K, YU D, ROBIL A S. Vegetation response to intensive commercial horticulture and environmental changes within watersheds in central highlands, Kenya, using AVHRR NDVI data[J]. Remote Sensing, 2016, 53(1): 1–22.

[13] ZEWDIE W, CSAPLOVICS E, INOSTROZA L. Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability[J]. Applied Geography, 2017, 79: 167–178.

[14] CHAITHANVA V.V, BINOY B.V, VINOD T.R. Estimation of the Relationship between Urban Vegetation and Land Surface Temperature of Calicut City and Suburbs, Kerala, India using GIS and Remote Sensing data[J]. International Journal of Advanced Remote Sensing and GIS, 2017, 6(1): 2088–2096.

[15] 吕长春, 王忠武, 钱少猛. 混合像元分解模型综述[J]. 遥感信息, 2003(03): 55–58, 60.

[16] 田义超, 梁铭忠. 北部湾沿海地区植被覆盖对气温和降水的旬响应特征[J]. 自然资源学报, 2016, 31(03): 488– 502.

[17] LI Jingzhong, LIU Yongmei, CAO Mingming, et al. Space-Time Characteristics of Vegetation Cover and Distribution: Case of the Henan Province in China[J]. Sustainability, 2015, 7(9): 11967–11979.

[18] WANG Haiting, ZHANG Yuanzhi, TSOU Jin Yeu, et al. Surface Urban Heat Island Analysis of Shanghai (China) Based on the Change of Land Use and Land Cover [J]. Sustainability, 2017, 9(09): 1538.

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

[20] 邓书斌. ENVI遥感图像处理方法[M]. 北京: 科学出版社, 2017.

[21] 陈君颖, 田庆久. 高分辨率遥感植被分类研究[J]. 遥感学报, 2007(02): 221–227.

[22] 岳玮, 刘慧明, 孙国钧. 基于遥感和GIS技术的祖厉河流域植被覆盖动态变化监测[J]. 兰州大学学报(自然科学版), 2009, 45(S1): 6–11, 18.

[23] 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.

[24] 肖骁, 李京忠, 韩彬, 等. 东北老工业区植被覆盖度时空特征及城市化关联分析[J]. 生态科学, 2017, 36(06): 71– 77.

[25] 烟贯发, 万鲁河, 温智虹, 等. 基于RS和DEM的长白山天池植被分布的坡度坡向分析[J]. 测绘通报, 2012(S1): 233–236, 239.

Characteristics of vegetation coverage changes in Nanchong Jurisdiction in the past fifteen years

WANG Lei1, WANG Jie1, FU Lin2, LIN Yebin1,3*

1. China West Normal University, Nanchong, 637009, China 2. Southwest Jiaotong University, Chengdu, 611756, China 3. Research Center for Regional Environmental Evolution and Conservation, China West Normal University,Nanchong, 637009, China

Vegetation coverage is a combination of natural conditions and socio-economic activities. Studying the temporal and spatial variation of vegetation coverage of a region is significant for understanding the social development in the region, formulating a more rational ecological and environmental policy and realizing sustainable economic development. In this paper, we chose Landsat 7 ETM in 2002, Landsat 8 images in 2014 and DEM as data sources, and used ENVI and ArcGIS software to process them. The NDVI method was used to estimate the vegetation coverage of Nanchong Jurisdiction and divided into five different Cover levels. According to the DEM data, altitude, slope and aspect factors were extracted. Then, the vegetation coverage maps were overlaid with the altitude, slope and aspect maps to quantitatively analyze the spatial distribution characteristics of vegetation in Nanchong Jurisdiction and the changes. Results showed that the overall vegetation coverage in Nanchong Jurisdiction was almost unchanged from 2002 to 2014, of which the vegetation coverage of Grade V (fc≥0.8) was the dominant factor, accounting for more than 42.49%. IV andⅤwere increased by 60 and 191 km2, respectively, with increases of 7.61% and 21.39%.While Levels I, II and III were decreased by 84 km2, 124 km2and 42 km2respectively , with decreases of 31.7%, 56.62% and 10.91%. The vegetation coverage was mainly distributed at elevations of 300-400 m, on slopes of 2°-6°. And the differences of vegetation coverage in slope direction show the characteristics of semi-sunny slope > semi-shady slope > sunny slope > shady slope.

vegetation coverage; NDVI;spatial distribution;Nanchong Jurisdiction

10.14108/j.cnki.1008-8873.2019.01.021

K903

A

1008-8873(2019)01-159-09

2018-01-18;

2018-02-26

四川省教育厅自然科学重点项目(17ZA0376); 西华师范大学英才基金项目(17YC113)

王磊(1992—), 男, 四川宜宾人, 硕士研究生, 主要从事土地利用遥感监测研究, E-mail:yibinwanglei@163.com

林叶彬(1981—), 男, 博士, 副教授, 主要研究方向为资源利用与环境保护, E-mail:forrest@cwnu.edu.cn

王磊, 王杰, 付林, 等. 南充市辖区近15年植被覆盖度变化特征[J]. 生态科学, 2019, 38(1): 159-167.

WANG Lei, WANG Jie, FU Lin, et al. Characteristics of vegetation coverage changes in Nanchong Jurisdiction in the past fifteen years[J]. Ecological Science, 2019, 38(1): 159-167.