基于Landsat遥感卫星影像的南京市植被动态变化研究

杨德菲, 潘洁, 杨存建, 肖泽宇, 沈彰, 李想, 徐婧仪

基于Landsat遥感卫星影像的南京市植被动态变化研究

杨德菲1, 潘洁2,*, 杨存建3, 肖泽宇1, 沈彰1, 李想1, 徐婧仪1

1. 南京林业大学风景园林学院, 南京 210037 2. 南京林业大学林学院, 南京 210037 3. 四川师范大学地理与资源科学学院, 成都 610068

为探究南京市绿色植被覆盖时空动态变化规律, 基于Landsat影像, 借助ENVI、PCI、ArcGIS等软件操作平台构建绿色植被信息提取模型, 利用模型提取了南京市2000年、2009年、2017年3期植被覆盖信息, 并在此基础上进行了时空动态变化及其驱动因素分析。结果表明: (1)时间上, 南京市2000年、2009年、2017年植被覆盖面积分别为4607 km2、4909 km2、4513 km2, 总体呈现出2000—2009年上升, 2009—2017年下降的趋势; (2)空间上, 2000—2009年: 南京市最北部、东部和南部植被呈现不同程度增加的趋势, 最南部明显减少; 2009—2017年: 八卦洲以北区域植被增加, 居民点及城市中心附近植被减少。这种植被的空间变化是由于城市化进程加快、农业类型变化、政策调控等综合因素的作用。研究结果对南京市植被的规划、建设和管理, 以及对南京市的生态环境建设具有参考价值。

卫星遥感; 植被提取; 动态变化; 生态建设

0 前言

绿色植被作为重要的自然资源在环境保护中具有重要的生态服务功能, 不仅能够利用光合作用吸收二氧化碳释放氧气、吸附净化空气中的灰尘、防风固沙减少地表径流、减少噪声污染、保护生物多样性, 还在自然界的物质循环、能量流动方面起到重要作用。作为城市的重要组成部分, 绿色植被对其生态环境建设以及人居环境改善起着关键作用, 它们不仅具有绿化美化环境的景观效益, 还具有促进区域发展的社会经济效益[1]。此外, 绿色植被还与城市降温效应、地表温度变化、气候及水资源变化等存在相关性[2–5]。绿色植被的动态变化研究可为生态建设、环境保护、灾后植被修复等提供决策支持和科学参考[6], 因此获取和掌握绿色植被时空动态变化信息具有重要意义。

国内外许多学者就植被动态变化方面展开了大量的研究。如王君、杨晓梅、隋立春等人基于 Landsat TM/OLI 遥感影像数据分析了西安市植被覆盖度的时空变化及其景观格局的变化[7]; 曾学梅、丁文荣利用植被数据和气象数据研究了云南石林县植被覆盖时空变化与气候因子和人类活动的关系[8]; 马秀秀、王雅萍、程结海等人通过计算归一化植被指数(NDVI)值,利用像元二分模型,对临汾市1998年、2007年和2018年的植被覆盖度及其动态变化进行分析[9]。在南京市植被研究方面, 周文佐、潘剑君等人运用NDVI与多波段组合的方式提取了南京2000年的植被信息, 对其空间分布进行了分析[10]; 刘璐结合历史资料以及前人研究成果对南京市紫金山植被变化进行了研究讨论[11]。目前就南京市植被研究而言, 还急需全域的动态变化分析。随着遥感技术的发展与应用, 许多学者基于其他城市的遥感数据, 已探究了多种植被信息的提取方法, 较为常用的为监督分类[12]和决策树分类法[13]。有的学者基于NDVI数据分析了珠江流域1982—2003年间的地表植物覆盖的时空变化[14]。有的学者基于高分辨率影像, 根据植被与非植被的光谱差异构造区分植被与非植被的最优分离面, 从而实现植被信息的自动化提取[15]。但就如何简便快速提取植被而言, 仍需深入研究。

为此, 本文以覆盖南京市全域的2000年、2009年、2017年三期遥感卫星影像为数据源, 通过影像特征分析、特征数据构建与选取, 探讨构建南京市绿色植被提取模型, 分析提取效果。并在此基础上, 对南京市植被时空动态变化进行分析, 揭示其时空动态变化特征, 以为南京市的植被规划、建设和管理服务。

1 研究区概况

南京市位于北纬31°14″至32°37″, 东经118°22″至119°14″, 地处中国东部、长江下游中部地区, 是长三角辐射带动中西部地区发展的国家重要门户城市、“一带一路”战略与长江经济带战略交汇的节点城市。南京南北直线距离150公里, 中部东西宽50至70公里, 南北两端东西宽约30公里, 呈南北长、东西窄, 正南北向形态。地形以低山缓岗为主, 南面是低山、岗地、河谷平原、滨湖平原和沿江河地等地形单元构成的地貌综合体。独特的水热条件、土壤类型、地形地貌等的影响使得南京拥有丰富的植被资源[16]以及多样的农业类型, 其主要植物群落为落叶阔叶林类型, 林下常有的灌木层也多为落叶树种, 主要农业类型包括蔬果栽培、茶叶种植、水产养殖等[17-18]。

2 数据与方法

2.1 数据来源与处理

本研究主要利用南京市2000年10月10日、2009年10月3日、2017年10月9日共三期的Landsat卫星遥感影像及南京市行政边界等矢量数据, 其中卫星遥感数据来源为中科院地理空间数据云平台(http://www. gscloud.cn/)。为使影像质量符合研究要求, 所选数据均为十月份的影像且影像云量极低, 因为此时南京市植被覆盖明显且阴影范围较小, 各类植被都呈绿色, 有利于避免植被受季相变化带来的影响。影像跨度近二十年, 有利于进行植被的动态变化分析。

对遥感影像进行了预处理: (1)图像配准, 将三期遥感影像与南京市行政边界数据统一到相同的坐标系和投影下; (2)图像裁剪, 利用南京市行政边界数据对遥感影像进行了掩膜裁剪。

2.2 研究方法

2.2.1 归一化植被指数

归一化植被指数(Normalized Difference Vege­tation Index, NDVI)是最常用的植被指数, 可用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。在NDVI影像上植被与非植被的影像特征差异较为明显, NDVI计算可以将多光谱数据变换成一个单独的图像波段, 用于显示植被分布[19]。为了便于显示, 本文构建了如下的改进归一化植被指数(GNDVI)模型:

式中,为近红外波段,为红外波段。

利用该模型和三期遥感影像数据, 生成三期GNDVI数据。

2.2.2 植被信息提取模型

通过试验发现, 利用阈值法从GNDVI中提取植被, 其结果会造成将堤坝等部分构筑物误提为植被, 致使提取精度不高。进一步通过对植被和部分构筑物的光谱采样特征分析发现, 构筑物在TM3波段上的亮度值比植被高, 具有较好的区分性。因此, 选用GNDVI与TM3特征数据构建植被提取模型, 如下所示:

IF GNDVI(i, j)>1 AND TM3(i, j)<2

THEN 该像元(,)为植被 (2)

式中,,为影像数据中像元的行列号,1、2均为通过试验确定的阈值。

利用以上植被提取模型及2000年的GNDVI、TM3数据对2000年的卫星遥感影像进行提取, 通过试验, 当1和2分别取值为128和38时, 所提取的植被较为准确, 漏提和多提较少, 且能够避免将部分构筑物误提为植被。同样, 经反复试验得到2009年和2017年的1、2分别取值为128、60和127、81时, 能将其植被信息提取出来。采用目视判读的方法对2000年的提取结果进行点位精度评价, 在目视判读为植被的随机20个点中, 有1个未被提取, 漏提误差为5%; 有5个为多提, 多提误差为25%, 故总的提取点位精度为85%。同样方法, 得到2009年和2017年植被提取的点位精度分别为87.5%、90%。三期提取结果精度较高, 存在极少漏提现象和少数多提现象。

3 结果与分析

3.1 南京市三期植被现状及其变化分析

2000—2017年南京市三期植被分布情况及数据统计结果如图1和表1所示。由表1可知, 2000年的植被总面积为4607 km2, 占总面积的69.91%; 2009年的植被总面积为4909 km2, 占总面积的74.50%; 2017年的植被总面积为4513 km2, 占总面积的68.50%。总体上, 2000年到2009年植被面积增加了302 km2, 提高了4.59%; 2009年到2017年植被面积减少了396 km2, 降低了6.00%。

将2000年与2009年以及2009年与2017年的植被图层分别进行叠加统计分析, 其结果如表2、图2和图3所示。从表2可以看出, 2000—2009年植被转入的区域共计1023 km2, 占总面积的15.53%; 植被转出的区域共计721 km2, 占总面积的10.94%;植被不变区共计3886 km2, 占总面积的58.98%; 转入高于转出。2009—2017年植被转入的区域共计480 km2, 占总面积的7.28%; 植被转出的区域共计876 km2, 占总面积的13.29%; 植被不变区共计4033 km2, 占总面积的61.21%; 转入低于转出。

图1 植被覆盖图(a南京市2000年植被覆盖图、b南京市2009年植被覆盖图、c南京市2017年植被覆盖图)

Figure 1 Vegetation coverage (a. The map of vegetation coverage of Nanjing in 2000; b. The map of vegetation coverage of Nanjing in 2009; c. The map of vegetation coverage of Nanjing in 2017)

表1 南京市三期植被面积统计

从图2、图3可以看出, 2000年到2009年植被转入的区域主要分布在南京市最北部, 其次为东部和南部。由谷歌影像可知, 该区域2009年以前土地植被极为稀疏或农田在影像对应时期还未生长农作物。植被转出的区域主要位于南京市最南部, 主要原因是2000年后农田由庄稼种植变为了水产养殖。其次位于主城区周围及居民点附近, 说明由于城市的快速发展部分植被被建筑物或道路取代。植被不变区主要为覆盖茂密森林的山体区域及其附近; 2009年到2017年植被转入的区域位于八卦洲以北, 据谷歌影像可以推测其在2017年前为未长农作物的裸土地。植被转出的区域主要分布在居民点及城市中心周围。植被不变区以郊区草地、农田以及山体为主。

表2 南京市三期植被变化情况

图2 南京市2000—2009植被变化图

Figure 2 Changes of vegetation coverage in Nanjing from 2000 to 2009

图3 南京市2009—2017植被变化图

Figure 3 Changes of vegetation coverage in Nanjing from 2009 to 2017

3.2 植被空间变化类型分析

对三期植被提取结果进行编码, 2000年、2009年、2017年有植被的分别为1, 2, 4, 无植被的均为0。将三个图层相加得到植被空间变化类型数据, 其取值分别为0、1、2、3、4、5、6、7。各类型的分布面积和占比情况如表3和图4所示。制作植被空间变化类型空间分布图, 如图5所示。

由表3和图4可知, 各类型按面积由大到小的排序为: (1)三期均有植被的区域面积为3235 km2, 占49.10%; (2)09, 17均有植被的区域面积为798 km2, 占12.11%; (3)三期均无植被的区域为744 km2, 占11.30%; (4)00, 09均有植被的区域为651 km2, 占9.88%; (5)仅2000年有植被的区域为456 km2, 占6.92%; (6)00, 17均有植被的区域为265 km2, 占4.02%; (7)仅2009年有植被的区域为225 km2, 占3.41%; (8)仅2017年有植被的区域为215 km2, 占3.26%。通过分析得到: 三期均无植被的主要为道路、建筑物、水体和无农作物覆盖的农田等; 仅2017年有植被的类型说明2009年到2017年间采取了相关的绿化措施; 仅2009年有植被的类型说明2000年到2009年间有植被生长而到2017年却遭到破坏; 2009年和2017年均有植被的类型说明2000年到2009年有植被增长, 一直到2017年均保持; 仅2000年有植被的类型说明2000年到2009年期间植被遭到破坏, 一直到2017年仍未恢复; 2000年和2017年均有植被的类型说明2000年到2009年植被遭到破坏, 2009年到2017年恢复; 2000年和2009年均有植被的类型说明2000年到2009年植被一直保持, 2009年到2017年间受到破坏; 三期均有植被的类型主要为森林及植被状态好的地区。

表3 南京市各植被空间变化类型面积情况

由图5可知各变化类型的空间分布: 三期均无植被的主要为水体、城市居民区、道路等区域; 仅2017年有植被的区域主要位于八卦洲以北; 仅2009年有植被的区域主要位于南京市最北部, 少量分布在一些居民点附近; 2009, 2017年均有植被的区域主要分布在最北部, 其次为东、南部; 仅2000年有植被的区域主要分布在南京市最南端; 2000, 2017年均有植物的区域主要分布在八卦洲以北、城中心周边区域以及居民点周围; 2000, 2009年均有植被的区域主要位于南京市中部及南部; 三期均为植被的区域主要为森林茂密的山体及南京市周边植被状态较好的农田。

4 讨论

研究结果表明2000年到2017年近二十年期间, 植被覆盖总面积呈现出2000—2009年上升, 2009—2017年下降的趋势。2000—2009年植被转入大于植被转出, 研究认为尽管部分原种植庄稼的农田改为水产养殖致使植被减少, 但南京市生态建设方面的政策引导与调控起到了积极有效的作用。自2002年推行“绿色南京”工程以来, 不仅实现了大面积的退耕还林、森林修复, 还通过建设城市景区、增添绿化及景观带等方式大力地改善了南京市的人居生态环境。2009—2017年植被的转入小于转出, 其主要原因是这一时期城市发展进程加快, 南京市除主城以外副城、新城以及高新产业园区的建设使得不少农田、森林等被房屋、道路取代。

本文所提取的植被包括了城乡绿化植被和农村的农作物植被, 没有对植被类型进行细分, 未将农作物区分开来, 未来的研究将对植被进行类型上的细分, 如分为乔木、灌木、草本。农田因种植农作物与否、农作物类型等会导致植被覆盖的差异, 未来还需要对年内的植被覆盖, 特别是农田的年内植被覆盖过程进行研究。本文揭示出了植被的时空变化特征, 但是对植被动态变化的生态效益还缺少定量化的分析, 以后将结合定位观测数据加强该方面的分析。本文所用的遥感数据空间分辨率为30米, 就精细植被覆盖变化而言, 以后还需要利用高分辨率遥感数据或多源数据协同来开展研究。

图4 南京市各植被空间变化类型占比情况

Figure 4 Proportion of spatial variation types of vegetation in Nanjing

图5 南京市2000—2009—2017植被空间变化类型分布

Figure 5 Distribution of spatial variation types of vegetation during 2000, 2009 and 2017 in Nanjing

以此为基础, 进一步还可以从弹性思维视角研究植被动态变化与气温、空气质量等弹性因子的相关性, 探索绿色植被在城市受到极端干扰后自身修复方面所起的促进作用, 并为我国城市的弹性建设提供新思路。

5 结论

本文利用南京市的三期卫星遥感数据, 构建了植被提取模型, 提取了三期植被覆盖信息, 并对南京市植被的时空变化进行了分析, 得到以下结论:

(1)通过本文研究, 探索出了一种植被提取模型方法。利用该模型方法从南京市2000年、2009年、2017年三期卫星影像中提取了三期植被信息, 其精度分别为85%、87.5%、90%。该模型方法具有应用推广价值。

(2)变化过程上, 南京市植被总面积呈现出2000—2009年增加, 2009—2017年下降的趋势。2000年的植被总面积为4607 km², 2009年的植被总面积为4909 km², 2017年的植被总面积为4513 km²。2009年的植被在2000年的基础上增加了302 km²,占总面积的4.58%; 2017年的植被在2009年的基础上减少了396 km², 占总面积的6.01%; 三期均有植被的区域面积为3235 km², 占总面积的49.10%。

(3)空间分布上, 2000—2009年植被转入的区域主要分布在南京市最北部, 其次为东部和南部。植被转出的区域主要位于南京市最南部, 其次位于主城区周围及居民点附近。植被不变区主要为有茂密森林覆盖的山体区域及其附近; 2009—2017年植被转入的区域位于八卦洲以北。植被转出的区域主要分布在居民点及城市中心周围。植被不变区以郊区草地、农田以及山体为主。

(4)植被变化类型上, 2000—2009—2017年三期植被时空变化图中各变化类型按占比从大到小依次为: 三期均有植被(49.10%)、2009, 2017年均有植被(12.11%)、三期均无植被(11.30%)、2000, 2009年均有植被(9.88%)、仅2000年有植被(6.92%)、2000, 2017年均有植被(4.02%)、仅2009年有植被(3.41%)、仅2017年有植被(3.26%)。

(5)变化原因上, 植被的转出主要是由于城市的扩张导致农村城镇化, 土地类型以及农业类型的改变。植被转入主要是由于国家和政府制定并实施了生态环境建设相关政策和法规, 取得了显著的成效。

[1] 闫慧杰. 植被在城市生态中的主要功能探究[J]. 科技经济导刊, 2019, 27(21): 103.

[2] 庞光辉, 蒋明卓, 洪再生. 沈阳市植被覆盖变化及其降温效应研究[J]. 干旱区资源与环境, 2016, 30(1): 191– 196.

[3] 李孝永, 匡文慧. 北京、天津和石家庄城市地表覆盖组分与结构特征对地表温度的影响[J]. 生态学杂志, 2019, 38(10): 3057–3065.

[4] 陈怀亮. 黄淮海地区植被覆盖变化及其对气候与水资源影响研究[D]. 南京: 南京信息工程大学, 2007: 1–187.

[5] 卢晓玲. 白城市地表植被与气候因子的相关性研究[J]. 中国农机化学报, 2014, 35(1): 316–320.

[6] LUCA P, GIUSEPPE S, ELISABETTA F, et al. An Automatic Processing Chain for Near Real-Time Mapping of Burned Forest Area Using Sentinel-2 Data[J]. Remote Sensing, 2020, 12(4): 674–701.

[7] 王君, 杨晓梅, 隋立春, 等. 西安市1995—2016年植被覆盖度动态变化监测及景观格局分析[J]. 生态科学, 2019, 38(6):81–91.

[8] 曾学梅, 丁文荣. 云南石林县植被覆被时空变化及影响因素[J]. 河南大学学报(自然科学版), 2020, 50(1): 29–35.

[9] 马秀秀, 王雅萍, 程结海, 等. 临汾市近20年植被覆盖度遥感估算及动态变化分析[J]. 能源与环保, 2019, 41(11): 11–18.

[10] 周文佐, 潘剑君, 刘高焕. 南京市城市绿地现状遥感分析[J]. 遥感技术与应用, 2002, 17(1): 22–26.

[11] 刘璐. 南京紫金山植被变化及其对环境质量的影响[J]. 福建农业, 2015(6): 209–211.

[12] 何予霄, 周江. ENVI中几种监督分类方法精度比较[J]. 科技创新与应用, 2018 (13): 22–24.

[13] 潘琛, 杜培军, 罗艳, 等. 一种基于植被指数的遥感影像决策树分类方法[J]. 计算机应用, 2009, 29(3): 777– 780+797.

[14] 王兆礼, 陈晓宏, 李艳. 珠江流域植被覆盖时空变化分析[J]. 生态科学, 2006, 25(4): 303–307.

[15] 姚方方, 骆剑承, 沈占锋, 等. 高分辨率影像城市植被自动提取算法[J]. 地球信息科学, 2016, 18(2): 248–254.

[16] 阎传海. 南京地区与连云港地区森林植被的比较研究[J]. 生态学杂志, 1996(3): 1–5.

[17] 杨国华. 南京植被性质初探[J]. 南京师大学报(自然科学版), 1982(4): 90–96.

[18] 戎茸, 刘静波, 黄忠阳, 等. 南京地区设施蔬菜发展特点、问题及可持续发展对策[J]. 长江蔬菜, 2019(10): 80–83.

[19]陈阳, 赵俊三, 陈应跃. 基于ENVI的高分辨率遥感影像城市绿地信息提取研究[J]. 测绘工程, 2015, 24(4): 33–36.

A study on dynamic changes of vegetation in Nanjing based on Landsat images

YANG Defei1, PAN Jie3,*,YANG Cunjian2, XIAO Zeyu1, SHEN Zhang1, LI Xiang1, XU Jingyi1

1. The Institute of Landscape and Architecture, Nanjing Forestry University, Nanjing 210037, China 2. The Institute of Forestry, Nanjing Forestry University, Nanjing 210037, China 3. The Institute of Geography and Resources Science, Sichuan Normal University, Chengdu 610068, China

In order to explore temporal and spatial dynamic changes of green vegetation in Nanjing, this paper constructed a green vegetation information extraction model based on Landsat images by using ENVI, PCI and ArcGIS. Then this model was used to extract the coverage information of vegetation in Nanjing and to analyze the changes from 2000 to 2017. The results are as follows. (1) In general, the areas covered by vegetation in Nanjing in 2000, 2009, and 2017 were 4607 km2, 4909 km2, and 4513 km2respectively, showing an overall increase from 2000 to 2009 and a decrease from 2009 to 2017. (2)Spatially, vegetation in the northern, eastern and southern parts of Nanjing showed a trend of increasing to varying degrees from 2000 to 2017, and it decreased significantly in the southernmost part. Vegetation areas in north of Baguazhou increased and it decreased in residential areas and urban centers. The spatial changes of vegetation are due to comprehensive factors such as accelerated urbanization, changes in agricultural types, and policy adjustments. The research results are beneficial to the application of vegetation planning and management in Nanjing, and provide reference value for the ecological environment construction in Nanjing.

satellite remote sensing; vegetation extraction; dynamic changes; ecological construction

杨德菲, 杨存建, 潘洁, 等. 基于Landsat遥感卫星影像的南京市植被动态变化研究[J]. 生态科学, 2021, 40(4): 177–183.

YANG Defei, YANG Cunjian, PAN Jie, et al. A study on dynamic changes of vegetation in Nanjing based on Landsat images[J]. Ecological Science, 2021, 40(4): 177–183.

10.14108/j.cnki.1008-8873.2021.04.020

K909

A

1008-8873(2021)04-177-07

2020-02-21;

2020-03-16

南京林业大学大学生创新训练计划(2018NFUSPITP518); 国家重点研发计划(2018YFB0505303); 国家自然科学基金项目（31470579）

杨德菲(1998—), 女, 四川成都人, 本科在读, 主要从事景观生态规划研究, E-mail: 1521824481@qq.com

潘洁, 女, 博士, 副教授, 主要从事遥感与地理信息系统相关研究, E-mail: panjie_njfu@126.com