基于土壤湿度与植被覆盖变化的黄土高原生态恢复项目适宜性评价

白子怡, 薛 亮, 张 翀

(1.陕西师范大学 地理科学与旅游学院, 西安 710119;2.宝鸡文理学院 陕西省灾害监测与机理模拟重点实验室, 陕西 宝鸡 721000)

自1999年退耕还林草政策的实施以来，黄土高原迅速扩大人工林建设，黄土高原水土流失得到缓解，生态环境不断改善[1-7]，鉴于此国家“十三五”规划建议扩大退耕还林草政策的实施。但是，相比于天然植被，人工植被光合作用消耗的土壤水分较大，加之前期退耕还林草植被生长，植被生理需水增加，引起干旱—半干旱地区土壤湿度减小，土壤容易出现旱化特征，增加了植被衰败的可能性[8]。随着全球变暖，土壤旱化程度加重，造成地表植被退化，土壤干层又会影响到地下水补给，以及陆地水循环[9-11]。因此，基于植被覆盖与土壤水分之间的变化关系，分析植被恢复工程的适宜性具有重要的理论和现实意义。前人研究多侧重于植被覆盖变化与气候要素之间的关系[12-16]，分析植被覆盖与土壤水分之间的关系少见。而土壤水分是植物蒸腾作用和光合作用的限制性因子，土壤水分决定了生态建设中植被类型和结构，是植物生长、植被恢复、土壤侵蚀的主要影响因素[17]。土壤湿度的传统监测方法能有效监测土壤湿度，是土壤湿度监测、研究、应用的主要手段，但是其采样速度慢、耗费大量人力和物力、使用范围有限，加之测站分布不均，难以实现大范围、实时、精确的监测。随着遥感技术的迅速发展，遥感数据的多时相、多光谱、多分辨率、高光谱等特性，使得土壤水分快速、实时、动态监测成为可能[18-21]。黄土高原地处干旱—半干旱气候区，雨量少，水资源缺乏，水土流失和荒漠化严重，植被稀疏，生态环境十分脆弱，易破坏、难以恢复，加之土层厚，地下水埋藏深，土壤水分是植物生长所需水分的主要来源，土壤含水量的多寡与植被的生长密切相关，进而影响着生态系统的功能和稳定性[22-23]。如果忽略了生态脆弱区本底自然环境特征及土壤水分时空分布特征，盲目扩大生态恢复和植被建设面积，可能引起人工植被退化，甚至导致群落衰败和生态系统退化，造成巨大生态经济损失，限制了生态恢复项目的可持续发展，与生态工程预期成效产生差距。因此，有必要探明土壤水分与植被覆盖变化之间的关系及未来变化特征，基于此分析两者相互作用下的生态恢复项目适宜性。在土壤水分遥感反演中，通过地表温度和植被覆盖特征空间反映土壤水分的遥感监测得到了广泛应用[24-27]。由于温度植被干旱指数(Temperature Vegetation Dryness Index, TVDI)计算过程输入数据少、简单易行、生物物理学含义明确等特点，因此本研究利用植被覆盖与地表温度数据构建TVDI，用以反映黄土高原土壤湿度，基于此得到未来不同土壤湿度情境下植被覆盖的变化特征，并从中筛选出生态恢复项目的适宜性区域。

1 资料与方法

1.1 资料来源

本研究所用数据包括黄土高原2001—2014年MODIS-NDVI数据、MODIS-LST数据与生态区划数据。黄土高原MODIS图幅号包括h26v4，h26v5和h27v5，利用MODIS重投影工具(MODIS Reprojection Tool,MRT)读取HDF-EOS格式的分幅数据文件，并对其坐标系/投影进行变换，将拼接影像写入HDF-EOS以外的文件格式，本研究设置输出为GeoTIFF格式；MODIS-NDVI数据来自LP DAAC中的MODIS产品的MOD13A2数据集，空间分辨率为1 000 m，时间分辨率为16 d，利用单位转换系数0.000 1将其转为0～1，采用最大值合成法将NDVI数据转换为年际数据，以反映逐年植被覆盖状况；MODIS-LST数据来源于MODIS产品的MOD11A2数据集，空间分辨率为1 000 m，时间分辨率为8 d，利用单位转换系数0.02将其转为开尔文单位(Kelvin)，由于LST存在大面积的无效数据，所以采用Cressman客观分析法与非对称高斯函数拟合[28]，将8 d的LST数据进行重构，为了与NDVI数据时间分辨率统一，经过间隔筛选得到16 d数据；将16 d的NDVI和LST数据导入Matlab中，经过空间叠加形成三维矩阵数据集，以便通过提取逐像元时间序列来进行趋势等分析。生态区划数据来源于中国生态系统评估与生态安全格局数据库(http:∥www.ecosystem.csdb.cn/index.jsp)中的中国生态功能区划数据库，其中的数据集是在生态环境问题、生态系统敏感性、生态系统服务功能重要性的基础上，将一系列相同比例尺的评价图，采用空间叠置法、相关分析法、专家集成等方法，按生态功能区划的等级体系，通过自上而下划分方法进行生态功能区划方案划分，生态区划主要用于分析不同土壤湿度变化情景下植被覆盖的变化趋势。

1.2 Theil-Sen趋势

(1)

(2)

(3)

(4)

p=2[1-φ(|Z|)]

(5)

(6)

式中：TSslope为Theil-Sen趋势；xj，xi为时间序列数据；tj，ti为时间序列对应的年份；n为时间序列的时间长度；p为显著性检验值。

鲜食玉米以甜玉米和甜糯型玉米为主，种植鲜食玉米品种除了和普通玉米一样管理外，还要特别抓好以下五项关键技术：

本文采用p检验值对趋势进行检验，趋势的显著性被划分为几个级别(表1)。

表1 趋势及其显著性划分

1.3 土壤湿度估算

Sandholt等[31]指出地表温度(Land Surface Temperature,LST)和植被覆盖(Normalized Difference Vegetation Index,NDVI)的梯形空间可以反映土壤水分，所以本文采用TVDI来表征土壤湿度，TVDI值域为0～1，TVDI越大，土壤湿度越低，TVDI越小，土壤湿度越高。因此，本研究采用1-TVDI来表示土壤湿度的大小。TVDI基于植被指数/地表温度的梯形特征空间计算而来，原理如下：

(7)

式中：Ts为每个像元的LST；Tsmin为对应像元湿边的LST；Tsmax为对应像元湿边的LST(图1)。

1.4 Hurst指数

HURST指数是英国水文学家Hurst提出的[32]，它已被广泛应用于水文学、经济学、气候学等领域，其原理如下：

给定一个时间序列{ξ(t)}，t=1,2,…，对于任意正整数τ≥1，定义平均序列：

(8)

(9)

(10)

(11)

图1 NDVI与LST构建TVDI示意图

如果0.5

表2 基于Theil-Sen趋势与Hurst指数的未来变化特征

注：不存在Hurst=0.5以及Theil-Sen=0的情况。

2 结果与分析

2.1 黄土高原土壤湿度与植被覆盖的趋势及未来变化

采用Sen趋势与Hurst指数计算了黄土高原TVDI和NDVI的变化趋势及其可持续性，从而分析两者的未来变化特征。生态区代码Ⅰ-10为燕山—太行山山地落叶阔叶林生态区，Ⅰ-11为汾渭盆地农业生态区，Ⅰ-12为黄土高原农业与草原生态区，Ⅰ-15为秦巴山地落叶与常绿阔叶林生态区，Ⅱ-1为内蒙古高原中东部典型草原生态区，Ⅱ-2为内蒙古高原中部—陇中荒漠草原生态区，Ⅱ-3为内蒙古高原中部草原化荒漠生态区，Ⅲ-1为祁连山森林与高寒草原生态区，Ⅲ-4为江河源区—甘南高寒草甸草原生态区。黄土高原TVDI的Hurst指数均值为0.49(0.11～0.94)，其中持续性和反持续性面积分别占42.54%，57.46%，表明黄土高原土壤湿度反持续性强于持续性。根据TVDI未来变化特征，土壤湿度增大转为减小面积最高，占46.08%，集中区域分布于六盘山以东—吕梁山以西—关中盆地以北—鄂尔多斯高原以南的区域；其次为持续增大区，面积为34.54%，集中分布于研究区南部的关中盆地、秦巴山地西部，以及研究区东北部；土壤湿度减小转为增大、持续减小区面积分别占11.38%，8%，分布于研究区东南部和西北部边缘(附图5C)。结果表明，未来土壤湿度减小的区域面积占54.08%且遍布整个研究区，在土壤水分减少的情况下植被生长可能面临严重压力。

黄土高原植被覆盖的未来变化特征与土壤湿度差异性较大。NDVI的Hurst均值为0.52(0.13～0.99)，其中持续性面积占55.01%，表明黄土高原植被覆盖持续性强于反持续性。根据NDVI未来变化特征，植被覆盖持续改善面积达46.95%，集中分布于鄂尔多斯高原以及陇中高原—太行山之间的山地区；其次为改善转为退化区，面积为38.91%，散布于整个研究区；持续退化占8.06%，分布于研究区边缘，集中于南北部边缘；退化转为改善占6.08%，分布于矿业城市乌海市以东地区(附图6C)

2.2 黄土高原未来不同土壤湿度变化情景下植被覆盖的变化趋势

随着人工林草的生长，植被对土壤水分的消耗不断增加，土壤湿度可能呈现出减小趋势，因此，未来土壤湿度以及植被覆盖的变化特征分析对生态恢复项目的可持续性研究具有重要意义。结合Theil-Sen趋势和Hurst指数，分别得到土壤湿度和植被覆盖的未来变化特征，通过两者的空间叠加，定性分析土壤湿度未来不同情景下的植被覆盖变化特征，从而提供相关的决策支持。

(1) 土壤湿度(增大→减小)情境下。植被覆盖的持续改善面积和改善→退化面积比重较高，分别占该情境下总面积的49.34%，40.04%；空间上，两者主要分布于农业草原区，集中于六盘山—子午岭—吕梁山之间，该区域分布着耕地和中覆盖度草地；其次分布于毛乌素沙地东南部，以及山西的低山丘陵地带(图2A)，毛乌素沙地以中、低覆盖度草地为主，山西低山区主要分布着低覆盖度草地。由于土壤湿度由增大趋势转为未来的减小趋势，原有改善的植被覆盖出现退化的区域应停止退耕还林草工程，加强土壤保水能力和水资源管理工作，合理利用现有水资源维持现有植被正常生长；植被覆盖的持续改善会加重土壤水分的损耗，当土壤水分降低到植被生理用水需求以下时，植被便开始退化，所以该区域应减缓退耕还林草进程，使得土壤水分补给以及植被涵养与土壤水分耗减达到平衡。

(2) 土壤湿度(持续减小与减小→增大)情境下。植被覆盖的持续改善面积和改善→退化面积比重较高，两个区域植被覆盖变化受土壤湿度变化的影响不明显(附图6A)；空间上，主要分布于研究区西北部边缘和东南部边缘(图2B—2C)。西北部气候干旱，土壤水分基数小，植被覆盖稀少，主要为荒漠草原，该区域应减小人工林草种植，防治土壤水分过分消耗，保持植被覆盖的自然演替；东南部气候较为湿润，土壤湿度和植被覆盖基数大，主要为农业区，该区域受人类活动影响较大，植被覆盖和土壤湿度波动性强，但属于退耕还林适宜区，可以根据区域发展以及粮食安全等状况适当退耕还林。

(3) 土壤湿度(持续增大)情境下。植被覆盖的持续改善面积和改善→退化面积分别占该情景的47.29%，38.81%。空间上，植被覆盖持续改善区主要分布于晋东北永定河上游山间盆地、晋西北半干旱山地丘陵、阴山山地区、内蒙古—晋西黄土丘陵沟壑区以及鄂尔多斯东部(图2D)，晋北与前套平原主要以旱地为主，其他地区以中低覆盖度草地为主，植被覆盖持续改善区主要分布在研究区北部的干旱—半干旱地区，地表蒸散量大于降水量，土壤湿度和植被覆盖基数均较小，植被覆盖的持续改善会限制土壤湿度的持续增大，所以该区域植被应以自然演替为主，人工演替作为辅助手段，并在考虑地形、气候等因子的基础上，合理配置土地利用，以减小水土流失；植被覆盖改善→退化区分布于陕西延安北部边缘的黄土丘陵沟壑区、榆林神府地区、太行山—吕梁山北部以及秦岭西部、汾渭盆地、陇中高原南部与青海高寒区湟水南岸以及黄河两岸(图2D)，该地区多为人类活动频繁的区域，主要包括土地资源、能源资源开发、农业种植等，但相对水热条件较好且大面积土地为耕地，所以适宜在土壤湿度持续增大的情况下开展退耕还林。

图2 黄土高原未来不同土壤湿度变化下的植被覆盖变化趋势

2.3 黄土高原生态恢复项目适宜性评价

结合当地背景环境，根据未来不同土壤湿度情景下植被覆盖的变化趋势及其相互关系，将生态恢复项目适宜性分为4类(图3)。其中，弱适宜区面积最大，占研究区总面积的59.90%，其次为不适宜区，面积占25.39%，弱适宜区和不适宜区均建议不宜进行退耕还林工程；适宜区面积仅占黄土高原的13.41%，主要分布在陕西延安北部边缘、榆林神府地区、太行山—吕梁山北部以及秦岭西部、汾渭盆地北部、陇中高原南部与青海高寒区湟水南岸以及黄河两岸；较适宜区面积仅为1.30%，主要分布于太岳山山间盆地、豫西山地，其次在高寒区北部以及宁夏平原东部也有分布。

图3 黄土高原生态恢复项目适宜性

统计研究时段末期的土地覆盖类型在每种适宜性级别中的百分比，发现每种级别中草地和耕地所占面积最高，两者面积达该适宜性级别总面积的79%以上。其中，适宜区中草地和耕地总面积占该级别的80.57%，分别占该级别的55.81%,24.76%；较适宜区中耕地面积较高，占该级别的46.44%，其次为草地占37.54%。从不同适宜性级别的坡度统计值来看，生态恢复项目适宜区坡度最大，平均坡度为10.11°；其次为不适宜区，平均坡度为9.09°；弱适宜区和较适宜区平均坡度分别为8.40°和7.04°。因此，未来的植被恢复工程不仅需要考虑对坡度较大的耕地实施退耕还林，还需要考虑对土壤水分适宜的地区进行退草还林，而且坡度较小的较适宜区应在粮食安全的基础上进行退耕还林和退草还林。

3 讨 论

本文采用1-TVDI来表示土壤湿度大小，通过计算土壤湿度和植被覆盖年内变化来分析TVDI反映土壤湿度的可靠性。将黄土高原植被覆盖和土壤湿度年内数据进行Whittaker平滑和傅里叶插值增采样(356 d)，一定程度上剔除了数据噪声，提高了信噪比(图4)。

土壤湿度年内季节变化特征与张蕾等[33]的西北地区土壤湿度变化特征高度吻合，差异性主要表现在土壤湿度变化特征点所对应的时间点不同。本文土壤湿度最低值对应时间较张蕾等[33]的研究提前了1个月以上。植被生长季始期为4月下旬，与土壤湿度最低值时间点契合度很好(图4)，诸多学者提取的植被生长季始末期[34-36]证明TVDI用来表示土壤湿度变化特征具有很高的可信性[37]。

图4 黄土高原植被覆盖与土壤湿度的年内季节变化特征

虽然TVDI在研究中具有一定的可信性，但仍然存在不足之处：利用TVDI反映土壤湿度大小未经实测数据的时空验证，也未将其转换为土壤水分体积分数，后期数据应用较为困难，且土壤水分时空变化机理复杂，以及传统反演模型具有时空限制、不稳定等缺陷。在此基础上查阅大量文献，发现高光谱遥感数据为土壤水分反演提供了大量的样本数据，且反射波谱曲线的细微差别可以反映出土壤水分的微小变化，使得单一或多波段遥感数据探测不到的时空分布规律，在高光谱遥感中得以实现[38]。另外，采用机器学习方法可构建任意的非线性关系，尤其是引起广泛关注的深度学习方法，在遥感影响分类、预测与反演等方面中表现出强大的应用潜力[39-41]。因此，以后的研究将侧重于土壤水分的高光谱遥感反演，基于高光谱遥感数据和实测土壤水分数据，利用深度学习方法建立遥感数据与实测土壤水分之间的最优模型，从而提高区域土壤水分反演精度。

4 结 论

(1) 黄土高原土壤湿度反持续性强于持续性。研究表明，TVDI的Hurst指数均值为0.49(0.11～0.94)，其中持续性和反持续性面积分别占42.54%，57.46%。从TVDI未来变化特征来看，未来土壤湿度减小的区域面积占54.08%且遍布整个研究区，在土壤水分减少的情况下植被生长可能面临严重压力。

(2) 黄土高原植被覆盖持续性强于反持续性。研究表明，NDVI的Hurst均值为0.52(0.13～0.99)，其中持续性面积占55.01%。根据NDVI未来变化特征，植被覆盖持续改善面积达46.95%，退化转为改善占6.08%，整体呈良好走向。

(3) 生态恢复项目弱适宜区面积最大，占总面积的59.90%，其次为不适宜区，面积占25.39%；适宜区面积仅占黄土高原的13.41%，主要分布在陕西延安北部边缘、榆林神府地区、太行山—吕梁山北部以及秦岭西部、汾渭盆地北部、陇中高原南部与青海高寒区湟水南岸以及黄河两岸；较适宜区面积仅为1.30%，主要分布于太岳山山间盆地、豫西山地。

(4) 未来的植被恢复工程不仅需要考虑对坡度较大的耕地实施退耕还林，还需要考虑对土壤水分适宜的地区进行退草还林，而且坡度较小的较适宜区应在粮食安全的基础上进行退耕还林和退草还林。