基于时序MODIS NDVI数据的长汀县植被趋势特征研究

张 莉， 陈芸芝， 汪小钦

(福州大学地理空间信息技术国家地方联合工程研究中心， 空间数据挖掘与信息共享教育部重点实验室， 福建 福州 350002)

基于时序MODIS NDVI数据的长汀县植被趋势特征研究

张 莉， 陈芸芝， 汪小钦

(福州大学地理空间信息技术国家地方联合工程研究中心， 空间数据挖掘与信息共享教育部重点实验室， 福建 福州 350002)

通过植被时序趋势特征的研究， 分析长汀县植被趋势变化. 文中将2000-2013年MODIS NDVI数据作为数据源， 采用回归和Sen+Mann-Kendall两种分析方法对长汀县植被趋势进行研究. 结果表明： 两种方法在长汀县植被趋势分析的研究中有较好的空间一致性， 在植被呈明显变化的区域差异仅0.44%. Sen+Mann-Kendall分析法有较好抗噪性和对数据分布无要求的优点， 可以更好地应用在其他区域的植被时序趋势变化研究. 植被变化强度大的区域主要分布在长汀县中部； 植被改善的区域主要分布在河田镇和三州乡， 呈轻微退化趋势的植被分布在长汀县四周， 植被变化强度范围为-0.01～-0.005.

MODIS NDVI； 植被趋势； 回归分析法； Sen+Mann-Kendall分析法； 长汀县

0 引言

作为地球生态系统的主体， 植被在全球物质和能量的循环过程中起到十分重要的作用[1]. 时序植被动态变化研究一直是全球植被变化研究的热点， 对地区生态治理研究有重要的意义. 遥感影像数据集的积累， 为植被趋势特征的研究提供了一致性较好的时间序列数据[2]. 利用时序遥感数据开展植被趋势变化分析， 对研究时序植被的活动具有重要的现实意义. 植被时序变化趋势分析方法也一直是植被特征研究的重点， 目前主要有代数运算法、 主成分分析法、 小波变换法， 和主流的、 最常用于植被时序趋势变化研究的回归分析法和相关系数分析法， 以及新兴的Sen+Mann-Kendall分析法[3-4].

用于植被趋势研究的时序数据并不多， 主要数据有AVHRR、 SPOT VGT、 MODIS和Landsat影像. Landsat系列数据空间分辨率比较高， 但时间分辨率比较低， 且原始数据很难形成标准一致的时序数据， 在植被趋势研究中应用较少. AVHRR和 SPOT VGT可使用的数据比MODIS数据时序长， 但AVHRR和SPOT VGT可使用的数据最高空间分辨率为1 km， 适用于大尺度植被趋势研究. MODIS可用数据最高空间分辨率提高至250 m， 为区域植被趋势研究提供可使用的时序数据， 大大提高地表植被观测的能力. 因此， 对长汀县植被变化趋势的研究选用MODIS时序数据.

福建省长汀县是中国南方红土壤地区典型的水土流失区， 自20世纪40年代以来， 长汀县与甘肃的天水、 陕西的长安一起被列为全国的3个重点水土保持实验区， 并开始水土流失治理[5]. 长汀县水土流失治理主要通过种植大量林草来控制水土流失. 利用时序遥感数据， 对水土流失区植被趋势进行评价， 对评价水土流失区治理成效有重要的指导意义. 本文以2000-2013年MODIS NDVI(normalized difference vegetation index)时序数据为数据源， 选用最常用于植被时序变化趋势研究的回归分析和Sen+Mann-Kendall分析法对长汀县植被趋势特征研究.

1 研究区

长汀县位于25°18′40″～26°02′05″N之间， 116°00′45″～116°39′20″E， 南与广东近邻， 西与江西接壤. 该县地处中亚热带季风气候区， 平均气温18.3℃， 无霜期年均260天， 四季分明. 夏季盛吹偏南风， 冬季盛吹偏北风. 随着冬夏季风环流的转换， 形成夏长冬短、 春秋对峙， 垂直气候明显， 干湿两季分明， 年均降水量1 737.1 mm， 3-6月降水量占全年降水量的60%以上， 且多暴雨. 低山、 丘陵占全县土地总面积的71%， 地形破碎， 岭谷相间. 花岗岩发育的红壤抗蚀能力弱， 原始植被多遭破坏. 现有植被主要为马尾松、 灌丛和荒草坡等次生植被和人工植被[6]. 研究区地理位置见图1所示.

2 研究数据及数据预处理

2.1 数据来源及预处理

本文使用的数据为EOS/Terra卫星的MODIS NDVI产品MOD13Q1. 该数据集的空间分辨率为250 m， 时间分辨率为16 d(16 d MVC合成)一景， 每年23景， 时间从2000年到2013年. 由于影像在获取过程受大气等各种环境因子的影响， 因此在使用这些数据前对影像进行预处理. 数据预处理过程有： 提取质量评价数据(quality assessment， QA)、 重投影和滤波等步骤. 文中选用质量权重高斯(AG)滤波方法对MODIS NDVI时间序列影像进行滤波， 该滤波方法能最大程度地将异常数值回复到真实的水平， 并能在滤波处理中最大程度地保留高质量原始值[7-9].

用LDOPE工具提取质量数据， 建立初始的NDVI和QA时间序列， 并用Timesat工具对原始的NDVI数据进行时间序列的滤波[10]. Timesat滤波权重赋权如表1.

表1 QA可用性指数分级赋权Tab.1 Weight based on QA usefulness index

2.2 研究数据提取

归一化植被指数(NDVI)是遥感影像近红外波段和红外波段反射率的比值参数， 能很好地反映生物量、 叶面积指数和植被覆盖等情况， 是目前广泛应用于反映植被覆盖等状况的植被指数[11]. 本文在研究植被时序趋势时选用植被生长茂盛的NDVI值， 由于植被茂盛的时间点不容易确定， 因此， 选择每年每个像元的NDVI最大值Maxndvi作为研究数据.

Max(ndvi,i)=Max(NDVI(i,j))

(1)

式中：i表示第i年，j表示第i年第j景影像; Max(ndvi，i)表示第i年23景影像中每个像元NDVI最大值; NDVI(i，j)表示第i年， 第j景影像NDVI值.

3 研究方法

3.1 回归分析

回归分析是考察两种或者两种以上的变量间相互依赖的定量关系的一种统计方法， 是研究时间序列植被变化趋势的重要方法[12-15]. 回归分析表达式如下式：

(2)

式中： a， k是未知常数; ε是随机误差; x是自变量， 表示时间； y是因变量， 表示NDVI值. 利用观测值可以求出未知参数k：

(3)

对于NDVI时序数据， 采用最小二乘法线性拟合后得到相应的线性方程， 由此得出线性方程的斜率k， 斜率k值说明相应像元NDVI值的变化趋势[16]. 若k>0, 表示植被呈恢复或者增加趋势；k<0， 表示植被呈减少趋势.

3.2 Sen+Mann-Kendall趋势分析

Sen趋势度和Mann-Kendall趋势检验结合， 成为判断时序数据趋势的重要方法， 已经逐渐运用在植被时序变化特征分析中[17-18]. Sen趋势度是通过计算序列的中值获得Sen值， 但其本身不能实现序列趋势显著性判断， 通过Mann-Kendall对Sen值进行检验. 该方法适用于缺失数据的分析， 能够减少异常值的干扰， 对离群数据和测量误差有良好的规避能力[19]， 且对数据分布无要求. Sen趋势度计算如下：

(4)

式中：i和j分别表示第i年和第j年；xi和xj分别表示第i年的NDVI值和第j年的NDVI值；β表示趋势度， 用β值来判断时序植被趋势的升降， 当β>0时， 时序呈上升的趋势， 反之呈下降的趋势.

Mann-Kendall趋势检验：

对于序列X=(x1，x2， …，xn)， 先确定所有对偶值(xi，xj，j>i)中xi与xj的大小关系(设为Z). 检验统计量Z由下式计算：

(5)

4 结果分析

4.1 时序趋势分析

图2是植被趋势分析得出的2000-2013年长汀县植被变化趋势， 图2(a)是回归分析趋势图，NDVI对时间拟合做回归分析得到植被变化趋势， 根据植被趋势分析可以得出植被改善和植被退化区域. 图2(b)是Sen+Mann-Kendall分析趋势图，NDVI对时间的拟合得出Sen趋势度， 即得出植被趋势.Mann-Kendall对Sen趋势的显著性进行检验， 将Sen趋势分为不显著性区域和显著性区域.

从图2可知， 植被改善的区域分布比较集中， 主要分布在长汀县河田镇和三州乡； 在策武乡中部有一小部分区域植被明显改善. 植被退化区域的分布相对比较零散， 在长汀县的中北部大同镇、 汀州镇和策武乡分布的植被退化的区域， 植被退化趋势较明显； 植被呈退化趋势但趋势比较轻微的区域零散的分布在长汀县的四周. 两种趋势分析方法得出的植被趋势在空间分布上有较好的一致性.

表2是趋势分析变化区域统计表， 植被变化强度-0.045～0.022， 长汀县总面积3 099km2. 由于强度小于绝对值0.005的植被变化强度小， 文中将变化强度小于绝对值0.005的区域分为无明显变化区域. 将Sen+Mann-Kendall分析中未通过显著性检验的区域和变化强度小于绝对值0.005的区域分为无明显变化区域. 除了无明显变化区域， 根据NDVI值的变化以及结果分析将植被变化强度大于绝对值0.005分为四个等级. 从表2可知， 趋势分析得出植被退化的区域多于植被改善的区域， 且植被明显变化的区域比植被轻微变化的区域少. 回归分析得出的植被明显变化的区域只有3.23%， 远小于植被轻微变化的区域. 植被变化的区域中轻微退化的区域最多， 有330.04km2， 占总面积的10.65%.Sen+Mann-Kendall分析得出的结果， 轻微退化的区域是植被变化区域中最多， 占总面积的5.21%. 有7.42%的区域植被呈现轻微变化， 比植被明显变化的区域多144.71km2， 占总面积的4.67%.

表2 趋势分析变化区域统计Tab.2 Change area statistics of trends analysis

回归分析和Sen+Mann-Kendall分析法在植被明显改善的区域相差2.79 km2， 有较好的一致性. 但两种趋势分析方法在植被轻微退化的区域相差比较大， 相差面积168.59 km2， 占总面积的6.43%. 由于Sen+Mann-Kendall趋势分析中Mann-Kendall对趋势进行显著性检验， 而植被这一变化强度范围的趋势显著性检验中一些区域植被趋势不显著， 所以两种趋势分析法在植被轻微退化的区域相差较大.

4.2 结果验证

回归分析和Sen+Mann-Kendall趋势分析方法对长汀县植被趋势分析得出结果有很好的空间一致性. 从图2可知， 植被改善的区域和植被明显退化的区域分布相对集中在A和B两个区域，选用TM和MODIS影像对图2(b)中A和B两区域显著性变化进行验证. 得到区域局部图， 对应区域的TM影像， 趋势分析拟合轨迹图以及对应区域的MODIS影像， 详见图3.

A区域是植被退化的区域， 选用2000、 2007和2013年TM和MODIS影像对A区域验证. 图3中TM影像543(中红外、 近红外和红波段)波段合成， 绿色代表植被， MODIS影像是单波段NDVI值， 颜色越亮代表NDVI值越大. 图3中(a1)1区域从TM影像看植被退化的区域有可能由于农作物收获造成的， 但从MODIS影像得出， 2000、 2007和2013年该区域植被NDVI逐渐减小， 该区域植被退化. (a1)2区域从TM影像看， 该区域2000年地物类型是植被， 2007和2013年土地利用类型发生了变化， 植被出现退化现象.

B区域是植被改善区域， 选用2000、 2006和2013年的影像验证. 该区域处于河田镇水土流失治理区， 河田镇自20世纪40年代列为三个重点水土保持实验区之一， 直到1983年福建政府将河田镇定为全省治理水土流失的试点， 图4为长汀县2005-2012年生态林草措施点空间分布， 通过大量种植林草来控制水土流失， 植被覆盖有了很大的改善. 通过图3中B区域TM和MODIS影像可以得出， 2006年相比2000年的植被有所改善， 2013年相比2006年植被也有所改善， 所以， 该区域植被改善， 与趋势分析方法得出的结果一致.

5 结语

基于2000-2013年MODIS NDVI时序遥感数据， 用回归分析和Sen+Mann-Kendall分析方法对长汀县植被趋势研究， 结论如下：

1) 回归分析和Sen+Mann-Kendall分析两种趋势分析法具有较好的空间一致性. 植被改善的区域主要分布在河田镇和三州乡； 植被明显退化的区域分布在大同镇、 汀州镇和策武乡， 而植被呈退化的趋势分布在长汀县的四周， 植被变化强度范围-0.01～-0.005. 植被明显退化区域主要是该区域土地利用类型发生变化引起， 而植被改善的区域是由于通过大量生态林草种植控制了水土流失.

2) 回归分析和Sen+Mann-Kendall分析法在植被明显变化的区域差异较小， 在植被明显改善的区域仅有0.09%差异. 但两种分析法在植被轻微变化的区域差异较大， 尤其在植被轻微退化区域， 面积相差168.59 km2， 占总面积的6.43%. 因此， 用回归分析和Sen+Mann-Kendall分析法对长汀县植被趋势的研究， 在植被呈明显变化的趋势中有较好的一致性.

[1] ROERINK G J， MENENTI M， SOEPBOER W，etal. Assessment of climate impaction vegetation dynamics by using remote sensing[J]. Physics and Chemistry of the Earth， 2003， 28(1/2/3)： 103-109.

[2] 蔡博峰, 于嵘. 基于遥感的植被长时序趋势特征研究进展及评价[J]. 遥感学报， 2009， 13(6)： 1 177-1 186.

[3] 陈海， 康慕谊， 范一大. 北方农牧交错带植被覆盖的动态变化及其与气候因子关系[J]. 地理与地理信息科学， 2004， 20(5)： 54-57.

[4] LASAPONARA R. On the use of principal component analysis (PCA) for evaluating interannual vegetation anomalies from SPOT/VEGETATION NDVI temporal series[J]. Ecological Modeling， 2006， 194(4)： 429-434.

[5] 赵昭晒. 福建河田盆地水土流失地区用林草措施治理的研究[J]. 水土保持学报， 1987， 1(1)： 81-89.

[6] 武国胜， 林惠花， 朱鹤健， 等. 典型红壤侵蚀景观的时空变化: 以福建长汀为例[J]. 应用生态学报， 2011， 22(7)： 1 825-1 832.

[7] CIHLAR J， LI Z Q， CHEN J，etal. Multitemporal， multichannel AVHRR data sets for land biosphere studies-artifacts and corrections[J]. Remote Sensing of Environment， 1997， 60(1)： 35-57.

[8] GUTMAN G G. Vegetation indices from AVHRR: an update and future prospects[J]. Remote Sensing of Environment， 1991， 35(2/3): 121-136.

[9] 曹云锋， 王正兴， 邓芳萍. 3种滤波算法对NDVI高质量数据保真性研究[J]. 遥感技术与应用， 2010， 25(1)： 118-125.

[10] LPDAAC. MODIS user guide[ EB/OL]. [2015-08-20]. http:// tbrs.arizona.edu/ project/MODIS.

[11] 徐斌， 陶伟国， 杨秀春， 等. 中国草原植被长势MODIS遥感监测[J]. 草地学报， 2006， 14(3)： 242-247.

[12] EVANS J, GEERKEN R. Discrimination between climate and human-induced dryland degradation[J]. Journal of Arid Environments， 2004， 57(4)： 535-554.

[13] HERRMANN S M， ANYAMBA A, TUCKER C J. Recent trends in vegetation dynamics in the African Sahel and their relationship to climate[J]. Global Environmental Change， 2005， 15(4)： 394-404.

[14] WEISS E， MARSH S E, PRIRMAN E S. Application of NOAA-AVHRR NDVI time-series data to assess changes in Saudi Arabia's rangelands[J]. International Journal of Remote Sensing， 2001， 22(6)： 1 005-1 027.

[15] CAMBERLIN P， MARTINY N， PHILIPPON N，etal. Determinants of the interannual relationships between remote sensed photosynthetic activity and rainfall in tropical Africa[J]. Remote Sensing of Environment， 2007， 106(2)： 199-216.

[16] FULLER D O. Trends in NDVI time series and their relation to rangeland and crop production in Senegal, 1987-1993[J]. International Journal of Remote Sensing， 1998， 19(10)： 2 013-2 018.

[17] BURN D H, HAG E M. Detection of hydrologic trends and variability[J]. Journal of Hydrology， 2002， 255(1/2/3/4)： 107-122.

[18] XU X K， LIN C H， XUE F，etal. Correlation analysis between meteorological factors and the ratio of vegetation cover[J]. Acta Ecologica Sinica， 2003， 23(2)： 221-230.

[19] BEURS K M, HENEBRY G M. A statistical framework for the analysis of long image time series[J]. International Journal of Remote Sensing， 2005， 26(8)： 1 551-1 573.

[20] 王佃来， 刘文萍， 黄心渊. 基于Sen+Mann+Kendall的北京植被变化趋势分析[J]. 计算机工程与应用， 2013， 49(5)： 13-17.

(责任编辑： 蒋培玉)

Vegetation trends research of Changting County based on time series of MODIS NDVI

ZHANG Li， CHEN Yunzhi， WANG Xiaoqin

(Key Laboratory of Spatial Data Mining & Information Sharing of MOE，National Engineering Research Centre of Geo-spatial Information Technology，Fuzhou University，Fuzhou, Fujian 350002 ，China)

The essay analyzed the trends of vegetation of Changting County by vegetation trends research. In this paper, regression analysis and Sen+Mann-Kendall analysis methods were used to study vegetation change trends in Changting County with MODIS NDVI data from 2000 to 2013. The results of the two methods show that high spatial consistency in vegetation change trends of Changting County, and the difference of the result is only 0.44% in the regions of vegetation obvious change. Sen+Mann-Kendall has a strong strength of errors resistance and is not constrained by the data statistical distribution, which will be better applied in other regions. The regions of strong intensity mainly distributed in the center of Changting County. The regions showed vegetation improvement mainly distributed in Hetian Town and Sanzhou Town， and the vegetation with the range from -0.01 to -0.005 are around Changting County．

MODIS normalized difference vegetation index； vegetation trends； regression analysis； Sen+Mann-Kendall analysis； Changting County

10.7631/issn.1000-2243.2016.05.0661

1000-2243(2016)05-0661-07

2015-09-06

陈芸芝(1982-)， 博士， 副研究员， 主要从事环境与自然资源遥感研究， chenyunzhi@fzu.edu.cn

国家科技支撑计划课题(2013BAC08B01); 国家自然科学基金资助项目(41401488); 福建省教育厅A类重点项目(JA12022)

TP79; Q149

A