基于Landsat影像研究全球气候变化对武夷山国家公园垂直带谱上各植被群落的影响

刘月, 濮毅涵, 刘艳清, 安德帅, 徐丹丹,3,*, 朱建琴, 阮宏华,3

基于Landsat影像研究全球气候变化对武夷山国家公园垂直带谱上各植被群落的影响

刘月1, 濮毅涵2, 刘艳清2, 安德帅2, 徐丹丹2,3,*, 朱建琴4, 阮宏华2,3

1. 南京林业大学林学院, 南京 210037 2. 南京林业大学生物与环境学院, 南京 210037 3. 南京林业大学南方现代林业协同创新中心, 南京 210037 4. 武夷山国家公园科研监测中心, 武夷山市 354300

全球气候变暖对全球植被的影响巨大, 主要表现在植被群落往高海拔和高纬度的迁移。研究垂直分带上的植被群落的迁移有助于理解植被群落对气候变化的响应机制。而垂直植被带谱上的植被分类是研究垂直分带上植物群落迁移的基础, 特别是常绿阔叶林的垂直植被带谱上的植被分类在研究上是一个难点。因此, 本研究基于Landsat影像, 通过主成分分析的方法, 提取出影响分类的主要波段, 融合不同季节的波段数据及DEM数据, 并根据结果进行监督分类的方法, 对1986—2018年武夷山垂直带谱上的各个植被群落进行准确的分类和监测, 并结合期间的气候变化探讨影响植被变化的主要原因。主要的研究成果显示: 利用经过主成分分析的数据来分类山体植被类型的方法具有一定的可行性, 可以较好的分类出草甸, 竹林, 针叶林, 针阔混交林和常绿阔叶林, 总体分类精度为93.3%, Kappa系数为0.91; 1986—2018年期间, 武夷山地区气候变暖明显, 针阔混交林和常绿阔叶林的面积受气候变暖的影响呈增加趋势, 针叶林及草甸面积呈减少趋势, 植被的迁移和面积变化受气温的影响较大, 尤其是针阔混交林对气候变化响应最为明显; 针阔混交林的分布海拔上限有所上升, 草甸和针叶林的分布海拔无明显变化。利用主成分分析结合不同植被类型的物候特征和海拔分布特征能很好地识别亚热带常绿阔叶林的垂直带谱, 为气候变化对武夷山国家公园的影响提供技术和理论依据。

Landsat影像; 植被垂直带谱; 气候变化; 植被群落迁移; 亚热带常绿阔叶林; 武夷山国家公园

0 前言

根据联合国政府间气候变化专门委员会(Intergovernmental Panelon Climate Change, IPCC)第5次评估报告得知1880—2012年全球地表平均气温上升了约0.85 °C, 1983—2012年是近千年来最暖的三十年[1]。全球气候变化直接导致各温度带在纬度上的北移以及海拔上的上移, 从而引起寒温带消失、暖温带范围扩大, 气候向暖干或暖湿方向发展[2-9]。山体发达的植被垂直带谱特征兼容了平原丘陵的水平地带性, 并且山体上的植被群落相比较平原受降水的影响更小, 所以在海拔上更能达到它们能够达到的温度最高界限[10]。垂直带谱上不同植被群落对气候变化的响应不同, 稳定的植被群落与区域气候相互作用, 并且有相对的适应性[11-13]。因此, 厘清垂直梯度上不同植被群落沿海拔梯度上的迁移有助于理解植被群落对全球气候变化的响应机制。

随着海拔的升高, 水热条件波动大, 陆地植被生态系统更易受到全球气候变化的影响[14]。气候变暖使得阿尔卑斯山植被分布界限向上迁移[15]。哈尔腾河流域上游植被覆盖类型频繁的转换也印证了群落分布对于气候变暖的响应[16]。在不同海拔高度, 植被对气候变化的响应程度也不同[17]。气温升高对高海拔植被的覆盖有积极作用, 因为海拔升高会导致水热条件变化, 形成山地垂直温度带, 植被生长也呈明显的垂直地带性分布, 对我国秦岭地区展开研究后发现植被随海拔升高由阔叶林向针叶林、高山草甸转变[2,14,18]。已有研究表明2℃增温可使东北森林的垂直带谱向上移动300 m左右[12]。

调查山体垂直带谱上不同植被类型的传统方法主要是通过人工设立样方, 分不同地区设置临时样地和固定样地进行调查[19-20]。此类方法耗时耗力, 许多山地崎岖的地方人类难以涉足, 因此得到的数据不全面, 近年来应用遥感技术进行植被分类, 相较于耗时耗力的传统人工实地调查方式来说逐渐成为一种趋势[21-22]。遥感作为获得植被信息的一种技术手段, 能够很好的提取植被群落的信息、全面的监测植被群落的变化[23], 且多时间段的遥感数据可以为植被分类提供验证和提高精度的辅助作用[24]。

研究植被对气候变化的响应是一个长期的过程, 遥感数据(如Landsat卫星数据)可以提供长期且稳定的数据。因此, 通过遥感技术研究整个垂直带谱上所有的植被类型对气候变暖的响应有不可替代的意义[6,10-11,25]。早在1988年, 我国学者就利用图像纹理特征的方式对地面植被进行分类[26], 吴见等人利用Hyperion高光谱影像提取了森林、农作物、草地等三种植被类型, 却未能对森林的植被类型进行详细划分[27], 这是由于植被生长的物候性导致光谱在一年四季中的表现不一致, 所以单一季节影像的分类效果不够理想[28]。赵丽花等人利用冬小麦物候规律和季相节律的差异性, 选取返青期和拔节期两个生育期的HJ卫星影像成功提取南方地区冬小麦的生长面积[29], 但是此方法却不适用于常绿阔叶林。鉴于常绿阔叶林的生长特性, 鲜少有研究利用遥感影像针对常绿阔叶林作出分类, 在垂直带谱上对常绿阔叶林作出分类是遥感应用上的一个难点。不但如此, 在植被分类研究中, “同物异谱”或“同谱异物”现象导致分类精度降低[27,30]。尤其是山地地形复杂, 单独利用遥感影像获取准确的植被分类很困难[31]。但通过研究方法的改进或者训练样本选取, 可以提高遥感的分类精度[32]。张春华[33]、陈君颖[21]、冀欣阳[34]等学者采用不同的分类器和遥感数据进行尝试来提高分类精度。张俊瑶等人将太白山区作为试验区, 利用太白山植被垂直带谱、高分辨率遥感影像和DSM数据, 采用面向对象的分类方法显著提高了植被分类的精度[31]。但是, 高空间分辨率的遥感影像并没有长时间序列的特点, 而研究气候变化对植被的影响需要监测长时间序列上的植被变化。因此, 利用Landsat数据(至1972年发射到今已有超过45年的连续的影像积累)研究植被垂直带谱对气候变化的响应及分类垂直带谱上不同的植被群落非常重要。

本研究以武夷山国家公园为研究区, 基于Landsat影像研究在全球变暖的背景下常绿阔叶林植被垂直带谱上五种植被群落类型沿海拔梯度上的迁移。具体的研究内容为: 1)建立基于Landsat影像的植被垂直带谱的分类方法; 2)垂直梯度上植被群落的迁移及其受气候因素的影响。

1 材料与方法

1.1 研究区概况

研究区为武夷山国家公园, 位于我国福建省与江西省的交界处, 区域跨度广(东经117°27′—117°51′, 北纬27°33′—27°54′, 图1)、地形起伏大、地势高, 平均海拔1200 m, 整体高差达1858 m, 气候为典型的亚热带季风气候, 是中国东南大陆现存面积最大、保存最完整的中亚热带森林生态系统, 包含了我国中亚热带地区所有的植被类型, 具有中亚热带地区植被类型的典型性、多样性和系统性, 随海拔的递增, 植被垂直带谱明显, 从山脚到山顶依次为常绿阔叶林、针阔叶混交林、针叶林、中山苔藓矮曲林、中山草旬等5个群落外貌特征不同的植被带谱(图2), 在世界同纬度地区十分罕见[35-36]。森林覆盖率达96.3%, 属于森林生态系统自然保护区。

1.2 数据

影像数据为1986—2018年的Landsat遥感影像, 包括Landsat TM、ETM+和OLI影像, 共83景影像(表1)。影像均为level 2数据, 该数据已经过几何校正和大气校正, 下载地址为USGS网站(https:// earthexplorer.usgs.gov/), 空间分辨率都为30米, 影像大小为1222*1592像素。DEM数据为ASTER数据, 从NASA网站下载(https://reverb.echo.nasa.gov/ reverb/), 空间分辨率为30米。

辅助数据包括武夷山1982年第一次植被调查结果, 2008—2014年《武夷山世界遗产地植物和植被监测》, 以及1957—2017年的月平均气温和月降雨量数据。

图1 武夷山国家公园(影像为Landsat 8 标准假彩色影像, 获取时间为1994.06.04)

Figure 1 Wuyishan National Park

图2 武夷山国家公园植被垂直带谱

Figure 2 Vegetation vertical zone spectrum in Wuyishan National Park

表1 遥感影像的获取时间

1.3 研究方法

1.3.1 影像分类

影像中山体阴影对植被分类的影响非常大, 为了减少山体阴影对分类结果的影响, 用Landsat同年影像的所有波段做主成分分析(PCA: principal component analysis), 最终选取保留90%以上信息的前几个主成分, 最终与DEM影像进行波段组合, 完成1986—2018年每年分类数据的预处理, 目的是减少分析的指标, 去除噪声和不重要的一些特征, 同时尽可能保全信息的完整性。不同的植被种类有自己的光谱特征, 在遥感影像上显示的颜色就不相同, 首先用遥感影像处理软件ENVI对影像进行部分处理, ENVI是采用交互式数据语言IDL (Interactive Data Language) 开发的遥感图像处理软件, 它能够准确高效地从影像中提取信息[37]。影像的拉伸方式选择直方图均衡化(Histogram Equalization), 这种拉伸方式在增强局部的对比度的同时又不影响整体的对比度, 可以最大程度上区分准备用于植被分类影像中的各种植被类型。再根据武夷山国家自然保护区已知植被类型结合实地调查的结果, 判别颜色时考虑到植被所处的高程以及周围的植被类型, 最终确定了影像不同色块所对应的植被种类, 在ENVI中采用最大似然法进行监督分类, 这种方法是根据像元计算所属种类的概率来区分, 分类精度比较好, 且计算时间快, 在分类器中稳定性最好[38]。

1.3.2 分类精度验证

在研究区内随机产生样本点开展精度验证, 并对这些样本点实际植被类型进行目视判读, 再利用这些点采样获得分类后的像元值, 生成这些点真实地类和最大似然法分类后的地类, 得到混淆矩阵及精度结果。

1.3.3 气侯因素的分析

利用R软件, 对武夷山的气温做1957—2017年的长时间序列分析, 去除温度季节性变化的影响, 算出年际均温度变化。通过划分植被类型的方法来探讨不同植被类型区植被覆被变化与气候变化的关系以及区域差异性, 进一步分析气候要素变化对植被生长的影响机制。

1.3.4 植被垂直带谱沿海拔上的迁移

根据Landsat影像分类出的垂直植被带谱图提取不同植被类型在不同年份分布上限的位置, 武夷山地区高程为270—2250 m, 将此高程从200米开始按100米等间隔将武夷山划分为20个高程区, 设定300—400 m为1号高程区, 最高处高程为2200—2300 m(20号高程区), 叠加之前分类好的各年份的植被分类图, 得到各个植被类型的高程分布区域, 统计各高程区间内5种植被群落的像元数, 接着比较各个年份的植被上限位置的变化分析出不同植被类型的迁移; 再结合气候因素和迁移变化分析海拔上植被的带宽变化。

2 结果与分析

2.1 植被垂直带谱的分类结果

通过对主成分分析的结果进行监督分类, 得出1986—2018年的武夷山国家公园植被类型图, 包括人工种植区, 草甸, 竹林, 针叶林, 针阔混交林和常绿阔叶林(图3)。

影像总体分类精度达到了93.3%, Kappa系数为0.91(表2)。其中, 草地和针叶林的生产精度都达到100%, 常绿阔叶林和针阔混交林精度分别为97.67%和93%; 竹林生产精度较差, 为77.08%。

图3 1986—2018年植被分类图

Figure 3 Vegetation classification map between 1986—2018

表2 影像的最大似然分类结果混淆矩阵

2.2 垂直带谱上各植被群落的面积变化

结合各植被种类的面积变化曲线(图4)和各植被类型的面积(表3)对不同的植被种类分别进行分析: 从1986—2018年, 草甸的最大面积为1988年53.40 km², 最小面积为2010年2.76 km², 1986—1996年面积大致呈下降趋势, 1997—2003年总体呈波动上升趋势, 2004—2010年再次呈现下降趋势, 至2010年草甸面积达到最低值, 2010年后至2018年草甸面积再次回升。整体面积呈现波动下降趋势。竹林的面积从1986—1996年呈现上升趋势, 1997—2018年呈波动下降趋势。竹林最大面积为1994年49.55 km², 最小面积为2016年10.02 km², 整体面积趋于稳定。针阔混交林的最大面积为2010年331.89 km², 最小面积为1992年154.13 km², 总的来看, 针阔混交林面积呈缓慢波动上升趋势; 矮林和针叶林的最大面积为1987年229.87 km², 最小面积为2010年64.58 km², 期间内面积共减少了约165 km², 整体面积呈直线下降趋势; 常绿阔叶林的最大面积为2017年280.17 km², 最小面积为1986年141.38 km², 整体面积呈缓慢上升趋势。

表3 1986—2018年各植被类型分类面积

对五种植被类型综合分析后发现, 整体面积呈现上升趋势的植被类型有针阔混交林和常绿阔叶林, 整体面积呈下降趋势的植被类型为针叶林, 草甸的面积呈波动下降趋势, 竹林呈不稳定变化趋势。在五种植被类型中, 针叶林、针阔混交林和常绿阔叶林面积排列前三位, 草甸和竹林面积排列后两位。1986—1989年, 针叶林面积排列第一位; 自1990年后, 针阔混交林的面积超过针叶林占据第一位, 1990—2018年, 常绿阔叶林和针阔混交林面积交替第一, 但总体上看针阔混交林面积大于常绿阔叶林, 位居第一。

2.3 海拔梯度上植被群落的迁移

对20个高程区的像元数进行统计后可以明显看出各个植被类型的主要分布高程区, 以及在同一个高程区内1986—2018年的面积变化和海拔变化(图5)。垂直带谱上植被群落的分布从海拔由低到高依次为常绿阔叶林、竹林、针阔混交林、针叶林、草甸。

常绿阔叶林主要分布高程为400—1200 m, 在海拔800—1000 m处分布面积最大, 以800 m为界面积随海拔增加呈先增加再减少, 分布的海拔变化为上移趋势; 针阔混交林主要分布高程为500—1900 m, 在海拔1100—1300 m处分布面积最大, 1200 m以下面积随海拔增加而增加, 1200 m以上面积随海拔的增加而减少, 分布的海拔变化为上移趋势; 针叶林主要分布高程为1000—2000 m, 在海拔1300—1500 m处分布面积最大, 以1400 m为界, 1400 m以下面积随海拔增加而增加, 1400 m以上面积随海拔增加而减少, 分布的海拔变化为上移趋势; 竹林主要分布高程为400—1600 m, 在海拔800—1100 m处分布面积最大, 以1000 m为界, 1000 m以下面积随海拔增加而增加, 1000 m以上面积随海拔增加而减少, 分布的海拔变化为下移趋势; 草甸主要分布高程为1200—2200 m, 在海拔1600—1800 m处分布面积最大, 在1700 m以下面积随海拔增加而增加, 1700—2200 m面积随海拔增加而减小, 分布的海拔变化为上移趋势。

2.4 气候变化对垂直带谱上植被群落的影响

通过对1957—2017年的月平均气温做长时间序列的分析, 剔除气温季节性变化的影响, 得出气温的年变化规律(图6)。1957—1982年期间的气温相对稳定。1982—2017年期间温度持续增加, 但是, 1998—2009年期间温度相对稳定, 且2010年由于厄尔尼诺现象的影响, 温度有所降低。

图4 1986—2018年不同植被类型面积变化

Figure 4 The area of different vegetation communities from 1986 to 2018

图5 各年份植被分布高程曲线

Figure 5 Elevation curve of different vegetation communities

图6 1957—2017年气温的年际间变化规律

Figure 6 Temporal change of monthly mean temperature from 1957 to 2017

对不同年份各植被类型在不同高程区的分布上限进行统计, 为减少影像分类时的误差、增加迁移变化的准确性, 像元小于100的不计入分布上限、将已有所有年份的影像都纳入统计范围, 最后整理成图表(图7)。

将武夷山国家公园1957—2017年均温(图6)、植被分布上限(图7)以及植被分布高程曲线(图5)综合进行对比, 发现1986—2018年年均温上升了约1.2℃, 最大均温差约1.7℃, 最大年均降雨差约1550.6 mm, 气温升高对植被分布上限产生了积极的影响。常绿阔叶林海拔分布上限略有波动, 分布上限最低的高程区为10, 对应海拔1100—1200 m, 分布上限最高的高程区为18, 对应海拔1900—2000 m, 带宽约为400—1200 m; 针阔混交林海拔分布上限也有波动, 分布上限最低的高程区为16, 对应海拔1700—1800 m,分布上限最高的高程区为18, 对应海拔1900—2000 m, 相比较最初的海拔上限, 上升了约200 m, 带宽约为500—1900 m; 针叶林海拔分布上限波动很小, 分布上限最低的高程区为16, 对应海拔1700—1800 m,分布上限最高的高程区为19, 对应海拔2000—2100 m, 以13号高程区为界, 海拔在900—1500 m时针叶林的面积呈增加趋势, 海拔在1500 m以上时针叶林的面积减少, 相比较最初的海拔上限, 上升了约200 m, 带宽约为1000—2000 m; 草甸海拔分布上限无明显变化, 分布上限最高的高程区为20, 对应海拔2100—2200 m, 带宽约为1200—2200 m。竹林的海拔分布上限波动较大, 探究主要原因并非气候影响, 而是人为干预。

3 讨论

3.1 植被垂直带谱的遥感分类

不能同时兼顾空间分辨率和时间分辨率是遥感数据本身的局限性之一, 这就是为什么现在普遍高光谱影像的空间分辨率不高、空间分辨率高的影像时间分辨率低的原因[39]。因此本研究在分类武夷山植被垂直带谱时选择Landsat的影像作为实验数据, 原因就在于Landsat的影像同时兼顾到了空间分辨率和时间分辨率。进行主成分分析时所用到的Landsat影像波段的空间分辨率是30 m, 这对于某些地物类型以及植被类型来说并不能从像素格中看出来。当植被种类有交错生长或者突兀的间插生长时, 光谱特征反应在影像上的颜色就难以区分, 加之所采用的监督分类过程人工干预大, 更加依赖人工经验和分析, 这就会导致选取的感兴趣区域被错分成其他的植被类别, 这也是限制之处。武夷山河网密集, 但是由于影像的特点, 我们只能分析上层的植被类型, 河流等地物类型只有在周围植被没有完全遮盖时才能从影像上看清。多时相遥感影像较之单一的遥感影像更能减少空间异质性的影响, 不仅如此, 对于“同物异谱”和“异物同谱”的问题, 多时相遥感影像也能提高影像的分类精度。例如Lanjeri等人采用了多时相Landsat5的遥感影像, 结合最大似然法和掩膜技术, 成功对西班牙葡萄园进行识别[40]。利用经过主成分分析的数据来分类山体植被类型的这种方法可以较好的分类出常绿阔叶林和其他植被类型, 唯一没有被分出的是中山苔藓矮曲林带, 分析其原因可知, 该植被类型现有的面积很小, 在影像上难以体现出其光谱特征, 因此未被分类出。在未来的研究中可以选择分辨率更高的影像来进行此植被类型的研究。

图7 不同年份各植被种类分布上限

Figure 7 Upper limit of vegetation types in different years

从分类后的影像上分析, 发现不同植被类型在海拔上的跨度与之前的理论大都相同[41], 常绿阔叶林和针阔混交林是武夷山的主要的植被类型, 这一结果与任婕等人对武夷山同年调查得到的结果一致[35]。具体植被类型的占比有较大的变化, 但各个地类总体上分布和位置没有大的变化。根据往期图像所比较发现, 竹林尽管分布范围零散、破碎化严重, 却仍沿东北往西南的道路两边分布, 实地调查发现这是人为种植的结果; 针阔混交林主要分布在南部和西南部, 从分布特征上看主要位于常绿阔叶林与针叶林的交接处, 面积呈增加趋势; 针叶林分布范围大, 主要集中在草甸附近, 面积呈明显减小趋势; 常绿阔叶林主要呈块状分布在西南方向, 面积相对增加; 草甸的分布区域主要集中在黄岗山顶周边以及西南方向的山顶部分, 位置变化不明显, 面积呈下降趋势。综合结果探究草甸面积下降原因可能是因为气温升高植被向上迁移导致草甸面积下降以及2008年的南方大雪造成草甸面积下降, 2010年后植被开始恢复所以草甸面积略微上升。常绿阔叶林和针阔混交林依然占主体地位, 但是常绿阔叶林面积不如针阔混交林增加的明显, 一个很重要的原因是常绿阔叶林主要在海拔低的位置比例变大, 而影像上一个像素格实际是900 m²的范围, 针叶树种的光谱特征变得不明显, 因此有一部分常绿阔叶林被分类到了针阔混交林中, 还有部分原因与调查的方法以及数据来源有关。未来的研究方向应针对各植被种类在相同海拔的占比进行具体研究。

3.2 气温对植被垂直带谱的影响

对照不同年份各植被种类分布上限、高程曲线和气候变化特征, 发现随着气温上升、降雨量增加, 各植被种类的分布上限也随之变化, 这与前人的研究结果一致[2,42]。在6种植被类型中针阔混交林、针叶林和草甸是变化趋势最明显的类别。针阔混交林分布的高程上限向高海拔地区迁移, 分布上限最低海拔1700—1800 m, 分布上限最高海拔1900—2000 m, 相比较最初的海拔上限, 上升了约200 m, 且总面积明显变大; 常绿阔叶林分布高程的上限先向高海拔迁移, 后向低海拔迁移。温度的年均变化与常绿阔叶林、针阔混交林的面积变化呈正相关, 与草甸、针叶林面积呈负相关。而人工植被和竹林受气候变暖的影响不大, 实地调查发现, 在武夷山地区主要的经济产业是竹产业和茶产业, 这两种植被类型的变化主要受人为因素的影响。

根据气温的季节变化对植被面积、迁移的影响来看, 夏季的均温变化对植被的影响最小, 在1998年出现了年均温最高值和春季均温最高值, 对比各植被种类的变化发现针叶林受到气温上升的影响最大, 主要体现在面积的增加。再分析降雨的季节变化对植被面积、迁移的影响, 发现降雨的季节波动大, 主降雨量主要集中在春夏两季, 其中2010年的年均降雨量最大, 相对的春季和冬季降雨量也是最大的, 在2010年的植被变化中仍然是针叶林受到的影响最大, 主要体现在面积的大幅增加。

在过去的几十年里, 气候变暖显著, 在没有自然灾害和较大的人为干扰情况下, 生态系统受到最大的影响就是来自于气候变暖。研究区属于亚热带, 在全球气候变暖的影响下, 植物群落会向正常的演替方向发展。作为一种过渡类型的森林植被, 以马尾松和杉木为优势种的针阔混交林逐渐发展成为以阔叶树种占据优势的针阔混交林[43], 最终常绿阔叶林逐渐成为顶级群落。这也说明了种群的内部特征、种间关系和外部环境特征决定了植物群落的空间格局, 种间竞争能够影响到植物群落空间格局的形成[44]。武夷山地区常绿阔叶林以甜槠、米槠和丝栗栲等优势树种[45], 正是由于这些树种不断生长和扩散, 使得该地区生态系统逐渐完善。

综上所述, 在气候变暖的条件下, 武夷山地区植被的迁移和面积变化受气温的影响大于降雨的影响, 尤其是针叶林对气候变化响应明显。对于武夷山来说, 亚热带气候降雨量充足、水分条件本就较好, 植被生长受降雨的制约小, 温度才是影响植被生长的主要原因[7,46], 因此温度对武夷山地区的植被变化有很大影响。

4 结论

1. 融合不同季节和DEM数据对分类垂直带谱上的常绿阔叶林有很大的优势, 不同季节的影像数据经过PCA分析后, 保留数据特征的同时也除去冗余信息。基于此方法, 植被垂直带谱的总体分类精度为93.3%, Kappa系数为0.91, 说明该植被分类方法具有一定的可行性。

2.1986—2018年期间, 常绿阔叶林、针阔混交林的面积增加显著, 草甸、针叶林的面积明显减少。常绿阔叶林的分布区域没有太大的变化, 主要呈块状集中分布在海拔较低的区域, 但是面积显著增加; 针叶林分布范围广, 主要集中在草甸附近, 面积显著降低; 针阔混交林主要位于常绿阔叶林与针叶林的交接处, 面积显著增加; 竹林分布范围零散, 主要沿东北往西南的道路两边分布; 草甸分布位置变化不明显, 主要集中在黄岗山顶周边以及西南方向的山顶部分, 面积减少。

3. 近30年武夷山地区气候变暖明显, 针阔混交林和常绿阔叶林的面积受气候变暖的影响呈增加趋势, 针叶林及草甸面积呈减少趋势。植被的迁移和面积变化受气温的影响较大, 尤其是针阔混交林对气候变化响应最为明显。针阔混交林的分布海拔上限有所上升, 草甸和针叶林的分布海拔无明显变化。对于武夷山来说, 亚热带气候降雨量充足、水分条件本就较好, 植被生长受降雨的制约小, 温度对武夷山地区的植被变化起重要作用。

[1] 秦大河, Thomas S. IPCC第五次评估报告第一工作组报告的亮点结论[J]. 气候变化研究进展, 2014, 10(1): 1–6.

[2] 蒋友严, 杜文涛, 黄进, 等. 2000—2015年祁连山植被变化分析[J]. 冰川冻土, 2017, 39(5): 1130–1136.

[3] 李双双, 延军平, 万佳. 近10年陕甘宁黄土高原区植被覆盖时空变化特征[J]. 地理学报, 2012, 67(7): 960–970.

[4] 缪丽娟, 蒋冲, 何斌, 等. 近10年来蒙古高原植被覆盖变化对气候的响应[J]. 生态学报, 2014, 34(5): 1295– 1301.

[5] 王青霞, 吕世华, 鲍艳, 等. 青藏高原不同时间尺度植被变化特征及其与气候因子的关系分析[J]. 高原气象, 2014, 33(2): 301–312.

[6] 吴正方, 靳英华, 刘吉平, 等. 东北地区植被分布全球气候变化区域响应[J]. 地理科学, 2003, 23(5): 564–570.

[7] 徐浩杰, 杨太保, 曾彪. 黄河源区植被生长季NDVI时空特征及其对气候变化的响应[J]. 生态环境学报, 2012, 21(7): 1205–1210.

[8] 于健, 刘琪璟, 徐倩倩, 等. 长白山东坡植被指数变化及其对气候变化的响应[J]. 应用与环境生物学报, 2015, 21(2): 323–332.

[9] 赵军, 马小平, 魏伟. 近50年黑河流域潜在植被的演替及生态环境变化研究[J]. 草业学报, 2014, 23(5): 61–68.

[10] 方精云. 也论我国东部植被带的划分[J]. 植物学报, 2001, 43(5): 522–533.

[11] 常兆丰, 韩福贵, 仲生年. 民勤荒漠植被对气候变化的响应[J]. 应用生态学报, 2012, 23(5): 1210–1218.

[12] 焦珂伟, 高江波, 吴绍洪, 等. 植被活动对气候变化的响应过程研究进展[J]. 生态学报, 2018, 38(6): 2229–2238.

[13] 於琍, 李克让, 陶波, 等. 植被地理分布对气候变化的适应性研究[J]. 地理科学进展, 2010, 29(11): 1326–1332.

[14] 崔晓临, 白红英, 王涛. 秦岭地区植被NDVI海拔梯度差异及其气温响应[J]. 资源科学, 2013, 35(3): 618–626.

[15] Grabherr G, Gottfried M, Paull H. Climate effects on mountain plants[J]. Nature, 1994, 369: 448–450.

[16] 何红, 牛叔文, 齐敬辉. 西北高寒干旱区哈尔腾河流域植被覆盖变化及其对全球气候变化的响应[J]. 冰川冻土, 2015, 37(4): 963–972.

[17] 童晓伟, 王克林, 岳跃民, 等. 桂西北喀斯特区域植被变化趋势及其对气候和地形的响应[J]. 生态学报, 2014, 34(12): 3425–3434.

[18] 刘军会, 高吉喜, 王文杰. 青藏高原植被覆盖变化及其与气候变化的关系[J]. 山地学报, 2013, 31(2): 234–242.

[19] 关文彬, 曾德慧, 姜凤岐. 中国东北西部地区沙质荒漠化过程与植被动态关系的生态学研究: 植被的分类[J]. 应用生态学报, 2000, 20(6): 907–911.

[20] 李荣, 王晶杰. 低山丘陵区人工灌丛草场植被调查报告[J]. 内蒙古草业, 1999(3): 3–5.

[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, 11(2): 221–227.

[22] 张喜旺, 吴炳方. 基于中高分辨率遥感的植被覆盖度时相变换方法[J]. 生态学报, 2015, 35(4): 1155–1164.

[23] 邹蒲, 王云鹏, 王志石, 等. 基于ETM+图像的混合像元线性分解方法在澳门植被信息提取中的应用及效果评价[J]. 华南师范大学学报(自然科学版), 2007(2): 131–136.

[24] 张扬建, 范春捆, 黄珂, 等. 遥感在生态系统生态学上应用的机遇与挑战[J]. 生态学杂志, 2017, 36(3): 809–823.

[25] 周锡饮, 师华定, 王秀茹. 气候变化和人类活动对蒙古高原植被覆盖变化的影响[J]. 干旱区研究, 2014, 31(4): 604–610.

[26] 李永宁, 游志胜, 聂建荪, 等. 遥感图象地面植被的分类识别[J]. 四川大学学报(自然科学版), 1989(3): 283-290.

[27] 吴见, 彭道黎. 基于空间信息的高光谱遥感植被分类技术[J]. 农业工程学报, 2012, 28(5): 150–153.

[28] 杨超, 邬国锋, 李清泉, 等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学, 2018, 34(4): 24–32.

[29] 赵丽花, 李卫国, 杜培军. 基于多时相HJ卫星的冬小麦面积提取[J]. 遥感信息, 2011(2): 41–45.

[30] 宁亮亮, 张晓丽. 基于纹理信息的Landsat-8影像植被分类初探[J]. 中南林业科技大学学报, 2014, 34(9): 60–64.

[31] 张俊瑶, 姚永慧, 索南东主, 等. 基于垂直带谱的太白山区山地植被遥感信息提取[J]. 地球信息科学学报, 2019, 21(8): 1284–1294.

[32] Zhao Junfang, Ma Jianyong, Zhu Yujie. Evaluating impacts of climate change on net ecosystem productivity (NEP) of global different forest types based on an individual tree-based model FORCCHN and remote sensing[J]. Global and Planetary Change, 2019, 182: 103010.

[33] 张春华, 李修楠, 吴孟泉, 等. 基于Landsat 8 OLI数据与面向对象分类的昆嵛山地区土地覆盖信息提取[J]. 地理科学, 2018, 38(11): 1904–1913.

[34] 冀欣阳, 骆磊, 王心源, 等. 基于“DEM-NDVI-土地覆盖分类”的天山博格达自然遗产地山地垂直带提取与变化分析[J]. 地球信息科学学报, 2018, 20(9): 1350–1360.

[35] 丁晖, 方炎明, 杨青, 等. 武夷山中亚热带常绿阔叶林样地的群落特征[J]. 生物多样性, 2015, 23(4): 479–492.

[36] 任婕, 陈传明, 侯雨峰. 福建武夷山自然保护区植被景观格局研究[J]. 中国农学通报, 2015, 31(22): 206–212.

[37] 高俊美, 张吉祥. 基于ENVI的土地利用类型变化分析——以莱芜市为例[J]. 山东林业科技, 2018, 48(2): 32–36.

[38] 闫琰, 董秀兰, 李燕. 基于ENVI的遥感图像监督分类方法比较研究[J]. 北京测绘, 2011(3): 14–16.

[39] 闫利, 江维薇. 多光谱遥感影像植被覆盖分类研究进展[J]. 国土资源遥感, 2016, 28(2): 8–13.

[40] Lanjeri S, Melia J, Segarra D. A multi-temporal masking classification method for vineyard monitoring in central Spain[J]. International Journal of Remote Sensing, 2001, 22(16): 3167−3186.

[41] 卢凤鸣. 武夷山植被垂直分布调查分析[J]. 科学时代, 2009(1): 72–73.

[42] 张雨, 芦晓明, 王亚锋. 北半球树线波动及其驱动因素研究进展[J]. 生态学杂志, 2018, 37(11): 3430–3439.

[43] 欧阳涛. 武夷山生态公园典型针阔混交林林分结构数量特征研究[D]. 福州: 福建农林大学, 2011.

[44] 陈婷婷. 武夷山常绿阔叶林物种分布格局和生境相关性[D]. 南京: 南京信息工程大学, 2017.

[45] 任引. 武夷山主要类型常绿阔叶林结构与功能特征的研究[D]. 南京: 南京林业大学, 2008.

[46] 张琪, 袁秀亮, 陈曦, 等. 1982—2012年中亚植被变化及其对气候变化的响应[J]. 植物生态学报, 2016, 40(1): 13–23.

Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on Landsat imagery

LIU Yue1, Pu Yihan2, Liu Yanqing2, AN Deshuai2, XU Dandan2,3,*, ZHU Jianqin4, RUAN Honghua2,3

1. College of Forestry, Nanjing Forestry University, Nanjing 210037, China 2. College of Biology and the Environment, Nanjing Forestry University, Nanjing 210037, China 3. Co-Innovation Center for Sustainable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037, China 4. Research Monitoring Center, Wuyishan National Park, Wuyishan 354300, China

Global warming has great impact on vegetation dynamics, which mainly reflects on the migration of vegetation communities to high altitude and high latitude. Studying vegetation community migration in vertical zoning is helpful to understand the response of vegetation communities to climate change. Vegetation classification on the vegetation vertical zone spectrum is fundamental for the studies of vegetation migration along elevation. However, vegetation classification in vegetation vertical zone spectrum of evergreen broad-leaved forest is always a challenge for remote sensing classification. Therefore, this research aims to accurately classify and monitor the vegetation communities in vegetation vertical zone spectrum of Wuyishan National Park through the improvement of classification methods based on Landsat imagery. We use the method of principal component analysis to extract the main bands that affect the classification; then merge the band data and DEM data of different seasons, and use supervised classification method to classify according to the results. In addition, we also explorer the dominant factors besides temperature which influence vegetation change during the study period. The results show that the method using the data of principal component analysis to classify the types of mountain vegetation, improves the classification accuracy for the meadow, bamboo, coniferous forest, mixed forest and evergreen broad-leaved forest. The overall classification accuracy is 0.93, and the Kappa coefficient is 0.91. From 1986 to 2018, due to the influence of climate warming, the area of mixed forest and evergreen broad-leaved forest increased and the area of coniferous forest and subalpine meadow decreased. Upshifting of vegetation communities is influenced a lot by climate change, especially for mixed forest in Wuyishan National Park. The method provides theoretical basis for the study ofthe vegetation communities in vegetation vertical zone spectrum of Wuyishan National Park region.

landsat imagery; vegetation vertical zone spectrum; global warming; upward shifting of vegetation communities;subtropical evergreen forest; Wuyishan National Park

刘月, 濮毅涵, 刘艳清, 等. 基于Landsat影像研究全球气候变化对武夷山国家公园垂直带谱上各植被群落的影响[J]. 生态科学, 2022, 41(5): 152–162.

LIU Yue, Pu Yihan, Liu Yanqing, et al. Study on the impact of global climate change on the communities of vegetation vertical zone spectrum in Wuyishan National Park based on Landsat imagery [J]. Ecological Science, 2022, 41(5): 152–162.

10.14108/j.cnki.1008-8873.2022.05.019

TP79, Q148

A

1008-8873(2022)05-152-11

2020-08-31;

2020-10-28

国家自然科学基金(41901361); 福建省林业厅资助项目(闽林科便函[(2018)26号]); 江苏省“六大人才高峰”创新人才团队项目(TD-XYDXX-006)

刘月(1995—), 女, 江苏南京人, 硕士, 主要从事林业遥感研究, E-mail: lynette@njfu.edu.cn

徐丹丹, 女, 副教授, 主要从事生态遥感研究, E-mail: dandan.xu@njfu.edu.cn