中国东北城乡植被物候时空变化及其对地表温度的响应

胡召玲,戴 慧,侯 飞,李二珠

江苏师范大学地理测绘与城乡规划学院, 徐州 221116

植被物候是指植被受环境因子和人类活动影响出现的以年为周期的自然现象,是植被长期适应环境季节性变化的结果[1-2]。全球气候变化、地域差异及人类活动都会影响植被关键物候期。因此,植被物候是陆地生态系统过程的重要测度指标,它不仅是探索植被生长周期及其与气候变化响应之间的一个重要参数、环境变化的指示器[3- 5],也是研究诸如能量交换、动物栖息地、粮食短缺等生态过程的重要指标[6]。

遥感技术使得受自然环境制约无法到达地区可以进行植被物候动态监测,也使得物候观测对象从植被个体转变为植被生态系统,实现由点向面的空间尺度转换[1]。近年来中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer, MODIS)归一化差值植被指数(Normalized Differential Vegetation Index, NDVI)和增强植被指数(Enhanced Vegetation Index, EVI)数据已经被用于植被物候参数指标的提取[7-9]。已有研究表明：植被的生长发育与温度间的关系密切,物候期持续的时期与活动积温有显著的相关性[10-12]。在某些地区植被物候对气温的敏感程度高于降水,植物的春季物候与春季温度呈显著负相关[13-14]。目前,对植被物候时空变化方面的研究多集中于一些典型生态区域[15-19],而对城区及其周边乡村的植被物候差异研究相对较少。随着城市化进程的加剧,城市热岛所引起的局地小气候改变,不仅会对生态系统格局、过程及功能产生影响,也会对当地的植被物候期产生影响[20- 21]。植被物候沿城乡梯度的变化反映城市化过程对局地水热条件的调节作用[22]。此外,在城市环境下,由于关系到公众健康如人们对某些植物花粉的过敏性反应,因此,研究植被物候具有更重要的意义[23]。

中国东北地区自南向北跨中温带与寒温带,是对气候变化最敏感的区域之一[24],该区域植被物候动态变化对全球气候变化的响应具有重要的指示作用。本文选择中国东北地区的沈阳、长春、哈尔滨3个省会大城市及其周边的乡村为研究单元,利用2009—2016年MODIS EVI数据,计算像元尺度上的植被关键物候期参数指标,即生长季开始时间(Start of Growing Season, SOS)和生长季结束时间(End of Growing Season, EOS),研究年均城乡植被物候期的空间分布特征与差异、各研究单元平均植被物候期及城乡植被物候期随时间的变化趋势、年均地表温度(Land Surface Temperature, LST)与SOS、EOS的相关关系。本研究对于监测和保护东北地区生态环境、建设生态文明城市、指示农时以及预测气候变化趋势等方面都具有重要意义。

1 数据来源与处理

1.1 数据来源

以2009—2016年长时间序列的MODIS EVI和LST数据为主要数据源。MODIS数据集来源于MOD13A1和MYD13A1产品,空间分辨率为500 m,平均每8天扫描一次。数据集中包含2种植被指数数据,即MODIS NDVI和MODIS EVI数据,EVI作为改进的植被指数数据,已经经过大气校正和土壤背景校正,相对于NDVI而言,其动态取值范围较大。该数据集全年共46景,研究区域包括编号为H26V04、H26V05、H27V04和H27V05的四景分幅影像,全部时间段内共计1472景数据。

MODIS的MOD11A2地表温度产品是3级数据产品,空间分辨率为1000 m,主要提供每8天的LST数据,产品包括白天LST、夜晚LST、各LST的晴天数量、质量评估数据、观测日期、视角、波段31与32反射率。选用8天的平均周期能有效去除由于观测角度差异带来的误差,且缺值情况较日数据少,其反演得到的地表温度精度的绝对误差在±1K左右,能够满足本研究的需求。本文的LST影像数据共计1472景。

1.2 数据预处理

首先对H26V04、H26V05、H27V04和H27V05四景分幅影像进行影像拼接,获得整个研究区的影像。然后,查询谷歌地图获得这3个城市的边界,计算出每个城市的城区面积,设置网格尺寸为1000 m×1000 m。根据各个城市的中心点坐标确定城市中心位置,沿此中心上下左右各自平移相同数目的网格,使得裁剪出的影像中心城区面积与其周边面积大致相等,进而分别对各个研究单元范围进行裁剪。

由于本文所采用的原始影像的时间分辨率为8天,采用线性插值的方法补充在时间上缺失的数据。尽管MODIS数据产品已经经过前期预处理,但是处理后的影像仍然会受到电子噪声干扰等的影响,导致EVI数据曲线局部具有尖锐的信号值,这些噪声数据均属于无效数据,对于植被物候指标的提取会产生严重影响,不利于时间序列分析。为消除这些噪声信号,本文选取demy小波作为小波基对EVI时序数据进行小波变换,滤除噪声数据后重建平滑的EVI时间序列数据。

2 研究方法

2.1 动态阈值法提取植被关键物候期指标

阈值法通过对植被指数设定阈值条件来确定植被生长季的关键物候期指标SOS和EOS,采用儒略日计数方法,将SOS和EOS出现的日期转化为距1月1日的儒略日序数。而动态阈值法则是由于植被指数在植被各阶段生长过程中的变化强度不同,从而可以设定不同的阈值来提取植被的关键物候指标,该方法可以根据研究区植被不同的生理特点,在不计地表的覆盖类型和人为活动的影响程度下,形象地描述植被的生长发育过程。由于研究区所包括的3个大城市的生态环境存在差异,故选择动态阈值法提取SOS和EOS值。结合研究区的实际情况,参考相关文献[17,22]及与地面观测数据相比,将提取SOS的植被阈值设定在植被生长过程的25%左右,提取EOS的植被阈值设定在植被衰败过程的25%左右,其计算公式如下：

EVI(SOS)=(EVImax-EVImin1)×25%

(1)

EVI(EOS)=(EVImax-EVImin2)×25%

(2)

式(1)中EVI(SOS)表示提取SOS的植被指数阈值,EVImax表示植被指数最大值,EVImin1表示EVI曲线上升阶段植被指数最小值；式(2)中EVI(EOS)表示提取EOS的植被指数阈值,EVImin2表示EVI曲线下降阶段植被指数最小值,当动态阈值达到最大与最小EVI差值的25%时,提取出SOS和EOS值。

2.2 趋势分析法

采用一元线性回归法拟合线性函数用以表示植被物候指标的时序变化趋势,其公式为：

y=kx+b

(3)

其中,

(4)

式(3)中自变量x表示年份,即为2009—2016年的计数,因变量y表示SOS和EOS,n表示年份数。k为研究时段内某一个像元SOS和EOS的变化趋势,若k>0时,表明植被物候期具有上升趋势,即植物物候期时间推迟；若k<0时,表明该植被物候期具有下降趋势,即植被物候期具有提前趋势。

3 结果分析

3.1 植被关键物候期的空间分布特征

根据滤波重建后的EVI指数时间序列数据,由动态阈值法计算出2009—2016年间各个城市植被物候的年均生长日期SOS和结束日期EOS,获得各城市植被关键物候期空间分布图(图1)。

图1 各城市植被关键物候期空间分布图Fig.1 Spatial distribution maps of vegetation phenology in major citiesSOS:生长季开始时间Start of growing season; EOS:生长季结束时间End of growing season

由图1可见,虽然各研究单元的植被关键物候期分布形态有所不同,但SOS和EOS的空间分布均呈现出相似的分布特征,每个城市SOS取较小值所在的区域与EOS取较大值所在的区域相一致,而SOS较大时,EOS较小。植被物候指标的空间分布与所处位置属于城区还是乡村具有高度的一致性,距离城区中心越近,其SOS越早,EOS越晚,变化也越明显。2009—2016年间这3个城市的年均SOS形成一个以城区为中心的早期中心,并呈现出由城区向乡村SOS逐渐延后的变化特征；年均EOS形成一个以城区为中心的晚期中心,同时呈现出由城区向乡村逐渐提前的变化特征。这种变化特征表明植被物候的梯度分布和下垫面覆盖类型密切相关。

从图1中还可以看出,各大城市的植被关键物候期空间分布存在明显的城乡差异,城区的SOS均早于乡村,城区的EOS均比乡村晚。对每个城市的植被物候参数指标进行统计分析,得到年均城乡植被物候参数指标(表1)。从表1中可以看出,城区SOS大多集中在第99—112天左右,乡村的SOS主要集中在第125—135天左右,城区和乡村大致相差20 d的时间；城区EOS主要集中在第293—300天左右,乡村EOS主要集中在第284—286天左右,城区的EOS大致比乡村推迟14 d左右,城区植被生长季长度(Length of Growing Season, LGS)比乡村长32—44 d。长春市城区的SOS值最小,沈阳市乡村的SOS值最小,表明其植被生长季开始得最早。

表1 年均城乡植被物候参数指标

3.2 植被关键物候期的时间变化分析

计算出每一年份各研究单元城区及其周边乡村整体的SOS平均值和EOS平均值后,以年份为自变量,SOS平均值、EOS平均值为因变量分别进行一元线性回归,获得植被物候指标的整体年际变化趋势图(图2)。从图2中可以看出,各个城市的SOS均呈提前趋势。2012年哈尔滨和长春的SOS值均是一个峰值,即生长季开始得最晚,通过查阅气象资料,可知受西伯利亚强冷空气影响,这两个城市所在区域出现寒潮、暴雪、低温等极端天气现象,导致植被延迟生长。2012年是这两个城市8年中最冷的一年,SOS恰好印证了这一气候现象。相比其他年份而言,沈阳2012年的SOS取值也较大,表明其在一定程度上也受到寒潮的影响。哈尔滨EOS呈延迟趋势,而长春和沈阳则表现为提前结束的趋势,哈尔滨和长春的EOS在2011年达到这8年中的最低值。这些现象说明了各大城市植被物候年际变化与当地的气候条件密不可分,由于各城市植被物候受区域气候差异的影响,从而表现出不同的变化趋势。

图2 2009—2016年整体SOS和EOS的年际变化图Fig.2 The annual change of overall SOS and EOS from 2009 to 2016

计算出每一年份3个研究单元即各城市的城区及其周边乡村植被物候参数SOS、EOS平均值,利用趋势分析法获得2009—2016年间城乡物候年际变化曲线图(图3)。

图3 2009—2016年城区和乡村SOS和EOS的年际变化Fig.3 The annual change of SOS and EOS in urban and rural areas from 2009 to 2016

从图3中可以看出,所有城市城区的SOS值都比乡村的小,表明其植被物候期早,并且城乡的SOS年际变化都呈下降趋势,植被物候表现为一致提前。城区SOS的年际变化速率均大于乡村的变化速率。这3个城市的城区和乡村在2014年的SOS取值均较小,说明这一年的春天是研究时段内较暖的一年。这是由于2014年东北地区受到中强度厄尔尼诺的影响,春天普遍温暖,从而促使植被提早进入生长。尽管所有城市城区的EOS都比乡村晚,但是同一城市的城乡EOS的年际变化趋势表现并不一致。这一现象说明,城乡EOS年际变化不仅与当地气候条件有关,还可能与各城市不同地理位置的植被种类有关,不同的植被种类,其生长结束期也不相同。

3.3 地表温度与植被物候的响应关系

为了研究地表温度与植被物候指标之间的关系,根据各研究单元每个网格的年均LST、年均SOS和EOS,分别计算出LST与SOS、LST与EOS相关系数r如表2所示。r反映了年均地表温度对植被物候指标的响应程度,r为正值时,表示植被物候期推迟,其值越接近于1,推迟越显著；r为负值时,表示植被物候期提前,其绝对值越接近于1,则表明植被物候期提前愈明显。

从表2可以看出,植被的SOS与LST呈显著负相关,即一个时间段内的城市的平均温度越高,植被物候期的起始时间越早。不同城市年均地表温度与SOS的相关系数不同,表明年均地表温度对SOS的响应程度不同,由高到低依次为哈尔滨、长春、沈阳。EOS与LST呈高度正相关,即植被物候同期的地表温度越高,植被物候结束时间越晚。年均地表温度对EOS的响应程度由高到低依次为长春、哈尔滨、沈阳。不同城市的年均地表温度对SOS和EOS的响应程度并不相同,这与各城市所在的区域气候有关。

表2 LST与SOS、EOS的相关系数

4 结论

(1)各研究单元SOS与EOS的空间分布均呈现出相似的分布特征。植被物候空间分布与城区和乡村的分布具有高度的一致性。植被物候参数指标空间分布存在明显的城乡差异,城区的SOS均早于乡村,EOS则晚于乡村。每一个像元所对应的实际位置,距离城区中心越近,其SOS值越小,EOS值越大,表明植被生长季开始日期早结束日期晚,整个植被物候生长期时间变长。各研究单元植被物候指标的年际变化具有一定的相似性,即SOS随时间均呈现出提前趋势,且城区和乡村的SOS年际变化趋势保持一致,变化速率各不相同。

(2)2012年哈尔滨和沈阳的SOS值均是研究时段内的最大值,从植被物候期反映来看,该年是一个最冷年,这与当年的气候现象相吻合,由于受寒潮影响,出现暴雪,低温等极端天气,导致植被相比较于其他年份延迟生长。

(3)各研究单元年均地表温度与对应的植被关键物候期均有显著的相关性,SOS与LST呈显著负相关,即与植被物候同期的平均温度越高,植被物候期的起始时间越早。EOS与LST呈高度正相关,即与植被物候同期的地表温度越高,植被物候期结束时间晚,因此,东北地区植被物候对温度变化的响应更为显著、更具代表性。不同城市的年均地表温度与植被关键物候期的相关性并不相同,这主要是受到全球气候变化、区域气候变化及城市热岛效应共同影响作用的结果。

致谢：感谢中国科学院地理科学与资源研究所张学珍副研究员提供部分研究数据。