基于NDVI与DEM的山地植被垂直带定量划分
——以太白山南坡为例

赵 婷,白红英,邓晨晖,他志杰

(1.西安外国语大学旅游学院,陕西 西安 710128;2.西北大学城市与环境学院,陕西 西安 710127;3.咸阳师范学院地理与环境学院,陕西 咸阳 712000)

植被是山地生态系统的重要组成部分[1],植被垂直分异是山区植被空间格局的最主要形式[2-3],是自然环境垂直分异规律的反映[4-5]。正确认识山地植被垂直带对于山地生态系统特征及功能具有重要的意义。

传统的高山植被垂直带获取方法为地面调查法,主要利用局部生态特征表征区域生态格局,具有一定的误差,且存在样点采集困难、耗时长、成本高等缺点[6-7]。近年来,遥感和GIS技术被广泛应用到山地生态环境研究中,很大程度上推进了生态环境研究的进程。首先遥感解译的方法在植被垂直带划分中得到广泛的应用[8-10],然而该方法对影像分辨率要求较高,解译结果受解译人员经验的影响较大,且解译后只能提取出垂直带分界线,需要再与海拔数据进行叠加分析才可得到垂直带信息,数据处理过程繁杂、周期长、成本高[11]。随后,学者们发现归一化植被指数(NDVI)随着海拔变化的规律可较好地反映植被垂直带,先后利用数据高程模型(DEM)与NDVI的变化曲线提取了阿尔卑斯高山林线[12-13],定量划分了四川卧龙关沟[14]、天山博格达自然遗产地[15]、王朗自然保护区[16]等区域的植被垂直带。

就目前的研究成果来看,利用DEM-NDVI散点图是一种较为理想的定量划分植被垂直带方法,但大多研究是利用夏季NDVI来划分植被带,对于夏季植被生长状况整体良好的区域具有一定的局限性,仅夏季NDVI很难区分出不同的植被类型。同时,如何根据散点图将不同垂直带之间的界限量化亦是该方法的难点之一。

秦岭主峰太白山是我国青藏高原以东内陆第一高峰,植被垂直带谱十分典型,在东亚地区具有重要的代表性[17-18],太白山植被垂直带历来是诸多学者研究的热点[19-21]。笔者选取受人为干扰较小的太白山南坡为研究区,分析该区域夏季与秋季NDVI随DEM的变化规律,并根据落叶植被与常绿植被NDVI值夏秋两季具有明显差异这一机理,构建夏秋NDVI差值与DEM的散点图,通过二项式曲线拟合与半峰宽计算法相结合定量划分太白山南坡的植被垂直带,探讨较为准确的高山植被垂直带定量划分方法,为太白山植被及生态系统研究奠定基础。

1 材料与方法

1.1 研究区概况

秦岭是横贯我国中部的著名山脉,是我国各项自然要素的南北分界线[22-23],其主峰太白山跨眉县、太白县和周至县3县(107°17′～107°56′E,33°47′～34°12′N)。平均海拔约2 050 m,最高海拔为3 771 m,属内陆季风气候,常年低温多雨,年均降水量500～1 100 mm,年均气温5.9～7.5 ℃,其独特的地理位置使之成为生态环境过渡地带及气候变化敏感区[24-25]。

太白山巨大的高差形成明晰的垂直气候带、土壤带和生物种群带,分布着国家一级重点保护动物大熊猫(Ailuropodamelanoleuca)、金丝猴(Rhinopithecus)、羚羊(Pantholopshodgsoni)和国家一级重点保护植物独叶草(Kingdoniauniflora)、红豆杉(Taxuschinensis)等,使之成为我国亚热带和暖温带交汇区的一个生物资源宝库[26]。太白山南坡与北坡相比更为陡峭,受人类活动影响较小,保持着良好的天然植被覆盖与植被垂直分异特征[27-28]。

图1 研究区位置及高程分布Fig. 1 Locations and elevations distribution in the study area

1.2 数据来源及处理

NDVI数据来源于NASA MODIS 数据产品中的MOD13Q1 NDVI数据,空间分辨率为250 m,时间分辨率为16 d。为消除因云覆盖产生的异常值,采用最大值合成法(MVC)生成月NDVI,采用平均值法分别生成夏季(6—8月)NDVI和秋季(9—11月)NDVI。

高分辨率遥感影像为法国SPOT5卫星数据,影像获取时间为2013年9月,利用HIS变化融合法将全色波段与多光谱波段融合,得到空间分辨率为2.5 m且具有多光谱信息的影像。

DEM来源于自然资源部第一地理信息制图院,空间分辨率为25 m×25 m,经地理配准后重采样到250 m后与MODIS NDVI数据做空间叠加分析。植被带垂直样点数据来源于2015年6月与2016年6月,经人工判读植被类型并结合手持GPS定位后采集所得。

1.3 研究方法

1.3.1 技术路线

首先分别获取太白山南坡夏季DNVI-DEM散点图、秋季DNVI-DEM散点图,再根据不同植被类型在夏季与秋季的NDVI变化规律,构建夏秋NDVI差值与DEM的散点图;结合资料查询和实地调查资料对DNVI-DEM散点图进行结构分析,定性判断DNVI-DEM散点图每个区段对应的植被类型;最后利用二项式曲线和半峰宽计算法定量划分出太白山南坡的植被垂直带。技术路线图见图2。

图2 技术路线Fig. 2 Technical route

1.3.2 DEM-NDVI散点图构建

将DEM与NDVI配准后进行叠加计算,得到每个像元所对应的NDVI和DEM值。为消除散点图中的随机波动,以10 m为步长利用滑动平均法求各海拔对应的NDVI值,最后以NDVI为纵坐标,DEM值为横坐标构建DNVI-DEM散点图。

1.3.3 半峰宽计算法

半峰宽(peak width at half height, PWH,公式中记作WPWH)是色谱峰高出一半的峰宽度,即通过峰高的中点作平行于峰底的直线,此直线与峰两侧相交两点之间的距离,半峰宽等于2.354倍标准偏差[29]。半峰宽计算法被广泛应用于不同植被带热量指标的计算中,笔者利用该方法量化DNVI-DEM散点图中各植被垂直带的海拔范围(HR),其公式如下:

式中:X为散点图结构中的峰顶/峰谷值,S为标准差。

1.3.4 SPOT影像解译

利用eCongnition,采用面向对象法与决策树相结合的方法对太白山保护区南坡植被类型进行影像解译。决策树的构建过程主要考虑颜色、NDVI、海拔等特征变量。首先利用光谱信息分出植被与非植被区(水体、裸岩),然后根据NDVI值将植被区分为绿色植被与枯黄植被,再结合海拔高度以及波谱信息分别将绿色植被与枯黄植被分为栎林[栓皮栎(Quercusvariabilis)、锐齿栎(Q.aliena)],冷杉(Abiesfabri)林、红桦(Betulaalbosinensis)林以及红杉(Larixpotaninii)林、草甸。经混淆矩阵精度检验,解译精度为92%。

2 结果与分析

2.1 NDVI-DEM的散点图结构剖析

太白山保护区南坡夏季NDVI、秋季NDVI与DEM所构建的散点图见图3。由图3a可知,夏季太白山保护区南坡植被生长良好,在海拔2 600 m以下,NDVI基本大于0.8;海拔2 600～3 200 m,NDVI维持在0.6～0.8;到了山顶高海拔处NDVI下降至0.4。秋季,在海拔2 600 m以下,NDVI保持在0.7左右,在2 600～3 000 m出现了一个小的高峰,NDVI值达0.75,随后迅速下降至0.2～0.3(图3b)。

图3 太白山保护区南坡夏季与秋季NDVI与 DEM散点分布图Fig. 3 Scattergrams of NDVI against DEM on the south slope of the Taibai Mountain in summer and autumn

综上可见,夏季和秋季的DNVI-DEM散点图虽在一定程度上反映了植被的垂直分异特征,但仍无法定量划定垂直带,原因在于:夏季落叶林与常绿林均具有高的NDVI,无法区分;而在秋季,落叶林与草甸NDVI值又均偏低,亦无法区分。因此,单独利用夏季或秋季的NDVI均无法对太白山保护区南坡的植被垂直带做到定量准确的划分,但常绿林与落叶林在夏季与秋季NDVI值差异明显,可利用这一机理来进行垂直带的划分。

太白山保护区南坡夏秋NDVI差值与海拔所构建散点图很好地体现出了不同植被垂直带夏秋NDVI差值随高程变化呈区段性波动(图4)。由图4可知,夏秋NDVI差值与DEM散点图共出现两个明显的峰点及两个明显的谷点(图4中B、D和A、C箭头所指),每个峰谷点代表一种典型植被群落的集中分布区,而峰谷点的两侧为该典型植被群落与其他群落的交错带。因而根据图4将太白山保护区南坡夏秋NDVI差值与DEM散点图可分为6个区段(Ⅰ～Ⅵ)。

图4 太白山保护区南坡NDVI夏秋差值与 DEM散点分布图Fig. 4 Scattergram of NDVI differences between summer and autumn against DEM on the south slope of the Taibai Mountain

利用2015年6月与2016年6月实地调研的采样点数据,并结合以往的太白山垂直带资料[17,20,28],从图4中可判读出:太白山保护区南坡植被垂直带第Ⅰ区段为以栓皮栎(Quercusvariabilis)及锐齿栎(Quercusalienavar.acutiserrata)为主的落叶林带,栎林夏季生长旺盛,而秋季开始落叶,因此夏秋NDVI差值较大,为0.20左右;第Ⅱ区段夏秋NDVI差值大致为0.15,为以华山松(Pinusarmandii)、油松(Pinustabuliformis)及锐齿栎为主的针阔混交林,由于松类植被的混入致使夏秋NDVI差值减小,因此出现该区段的下降趋势;第Ⅲ区段夏秋NDVI差值上升至0.23,为中山桦木林带,桦木为落叶树种,因此夏秋NDVI差值较大,形成该区段的一个小的波峰;第Ⅳ区段为以冷杉为主的常绿针叶林带,夏秋NDVI差值仅为0.05,为整个散点图中的最低值,形成该区段明显的波谷;第Ⅴ区段夏秋NDVI差值迅速增高,达0.27,该区段是以太白红杉为主的落叶针叶林带,夏季具有高NDVI值,秋季落叶后NDVI值快速减小,夏秋NDVI差值大;第Ⅵ区段夏秋NDVI差值回落,为高山灌丛草甸带,高山灌丛草甸NDVI值虽然也具有夏高秋低的特征,但因其整体覆盖度较低,即使夏季也不会表现出太高的NDVI,因而夏秋NDVI差值也较红杉林有明显的降低。

2.2 基于DEM-NDVI散点图的植被垂直带边界确定

结合DEM-NDVI散点图,利用二项式拟合曲线及与半峰宽计算法对DEM-NDVI散点图进行定量计算,从而得到每个垂直带所对应的海拔。具体分为两个步骤:第1步,绘制散点图每个区段的二项式曲线,并通过一阶求导获得曲线的峰谷值(图4中红色标识)及其所对应的海拔,如表1所示;第2步,结合峰谷值,利用半峰宽法计算得到各个区段的范围及其对应的海拔高度,如表2所示。

表1 太白山保护区南坡DEM-NDVI散点图峰谷点

表2 基于DEM-NDVI散点图的太白山保护区南坡垂直带划分

由表1和表2知,在太白山南坡,海拔1 509～1 919 m为较为纯净的栎林带,油松和华山松在1 919 m开始混交于栎林中,2 125 m处(谷点A)松类植被分布最多;在2 115 m红桦逐渐出现,到2 350 m(峰点B)为红桦最分布最集中的区域;在2 516 m开始冷杉出现,2 833 m(谷点C)为冷杉分布最集中的区域,到3 150 m冷杉逐渐消失;太白红杉在3 109 m出现,3 330 m(峰点D)为太白红杉分布最集中区域;到3 481 m太白红杉消失,之上为高山灌丛和草甸。

2.3 DEM-NDVI散点图植被带划分精度验证

为了验证DEM-NDVI散点图植被带划分的精度,利用2.5 m分辨率的Spot影像对太白山保护区南坡植被类型进行解译,遥感影像解译结果如图5所示。将遥感影像解译的结果与DEM相叠加,得到基于遥感解译的太白山保护区南坡垂直带(表3)。为消除在解译中个别像元引起的高程异常,除研究区边界和山顶外,各植被带的上下限均取95%的置信区间。

表3 基于Spot影像解译太白山保护区南坡垂直带分布

图5 太白山保护区南坡Spot影像解译分类结果Fig. 5 Interpretation classification results based on Spot image of the south slope of the Taibai Mountain

对比表3与表2可发现,基于DEM-NDVI垂直带与基于遥感解译垂直带既存在一致性也有一定的差异性。两者的一致性体现在:桦林、冷杉林、红杉林和草甸的分布高度基本一致,即桦林主要分布于2 300～2 600 m,冷杉林主要分布于2 600～3 000 m,红杉林分布于2 800～3 400 m,红杉林之上为高山草甸区。两者的差异性体现在:首先,基于DEM-NDVI散点图能明显地体现在1 900～2 300 m南坡存在松栎混交林带,而遥感解译的垂直带格局不能识别这一特征,这是由于影像光谱特征对于纯林能很好地体现,但对混交林的反映能力比较薄弱;其次,基于遥感解译的垂直带各带的海拔范围明显大于DEM-NDVI散点图所得范围,说明遥感解译能够捕获一些由于地形和生态环境差异生成的特殊植被群体信息,而DEM-NDVI体现的主要是植被群体的平均分布状况。

3 讨 论

1)通过夏季、秋季以及夏秋差值DEM-NDVI散点图的结构剖析,夏秋差值DEM-NDVI散点图能够很好地刻画出太白山保护区南坡植被垂直带分布格局。经过定量计算,太白山保护区南坡植被垂直带的分布高度为:从保护区下边界到1 919 m为栎林,1 919～2 331 m为松栎混交林,2 115～2 585 m为桦林,2 516～3 150 m为冷杉林,3 109～3 551 m为红杉林,3 551 m至山顶为高山灌丛草甸。

DEM-NDVI散点图与遥感影像解译植被分类结果相比,二者的植被垂直带分布趋势大致一致,但DEM-NDVI散点图能够体现植被的群体平均分布状况且能更完全地表达植被垂直带随海拔的变化特征。

2)目前大多数文献中提到的太白山垂直带的海拔均是基于早期的实地调研所得,多以百米为单位[11,20,28],精度较低,而基于夏秋NDVI差值与DEM散点图的垂直带提取突破了百米单位。在气候变化与生态环境响应研究中,该方法可根据连续年份的NDVI提取垂直带,实现垂直带的变化多年度监测,为更为精准的研究提供数据支撑。

同时,利用DEM-NDVI散点图提取植被垂直带的方法所采用的数据多为空间分辨率30 m的Landsat遥感影像,已取得了较好的研究成果[14-16]。笔者尝试250 m分辨率的MODIS NDVI数据构建散点图亦能很好地反映NDVI随高程的区段性波动,证明了较低分辨率的影像在DEM-NDVI散点图划分植被带中的可用性,可为较大区域采用此方法提取植被带提供借鉴,降低数据处理量,缩短数据处理时间,提高工作效率。