秦皇岛市2001—2020年植被覆盖动态变化及预测

张朔川， 汤 军， 高贤君

(长江大学地球科学学院， 武汉 430100)

植被是地球表面所有植物群体的统称，在地球生物环境中处于十分重要的地位，对生态系统的发展起到良好的指引作用，是反映研究区域生态环境状况重要的标志之一[1]。植被覆盖度指的是植被的叶子、枝干和整体的植被结构等在外界光源照射下投射到地表的垂直投影面积占目标区域面积的比例[2]，是衡量地表植被生长状况和评价研究区生态系统健康程度的重要指标[2-3]。故监测植被覆盖度的动态变化并预测其未来状况对研究区域的环境保护和规划建设具有重要意义。

目前，使用遥感数据对地表植被覆盖变化情况进行监测的方法已被广泛应用于各项研究中。崔云雷[4]以2016年的Landsat8遥感影像作为数据源，采用3种非线性混合像元分解方法并结合回归模型和非参数模型，获得了适合荒漠区域的植被覆盖度遥感反演方法；穆少杰等[5]使用2001—2010年的MODIS-NDVI遥感数据，基于像元二分模型对内蒙古植被覆盖度时空变化特征进行分析；岳健等[6]采用高分二号卫星影像的归一化植被指数(normalized difference vegetation index,NDVI)数据与无人机遥感相结合，建立基于高分二号影像的NDVI的阜康北部沙漠植被覆盖度摇杆估算线性模型；高鹏文等[7]以1988、1998、2008、2018年4期Landsat遥感影像为数据源，运用像元二分模型对哈密绿洲的植被覆盖度变化状况进行分析，并结合气候和人为因素对变化的驱动力因素进行分析。近些年，中外学者的研究主要集中在小空间尺度、短时间序列内植被覆盖度的时空变化和自然、人为驱动力对植被覆盖度的影响，对大范围和长时间内的植被覆盖度变化趋势的预测研究却相对较少[8-10]。

谷歌地球引擎(Google Earth Engine，GEE)有着强大的后端处理器和丰富的数据资源，能方便快捷地对长时间跨度、大区域范围和高分辨率的遥感影像进行在线处理[11-13]。现基于GEE平台，使用Javascript API调用2001—2020年共1 443景的Landsat ETM/OLI遥感数据，运用像元二分模型、最大值合成法和一元线性回归趋势分析模型，对秦皇岛市20年间的最大植被覆盖度进行估算，计算出最大植被覆盖度的变异系数，并分析20年间植被覆盖度的变化趋势及相关影响因素；再使用元胞自动机-马尔可夫链(cellular automata-Markov，CA-Markov)模型对2025年的植被覆盖情况进行了预测，为秦皇岛市的生态环境治理和建设提供科学依据。

1 研究区概况与数据来源

1.1 研究区概况

秦皇岛市位于华北地区，河北省东北部(118°33′9″～119°51′9″E, 39°24′52″～40°37′39″N)，处于燕山山脉东段丘陵地区与山前平原地带[14]，地势北高南低，包含海港区、山海关区、北戴河区、抚宁区、昌黎县、卢龙县、青龙满族自治县7个辖区，共7 813 km2(图1)。其中山海关、北戴河、南戴河有着独特的自然和人文景观，是著名的避暑胜地[14]。秦皇岛市位于暖温带，地处半湿润区，气候类型为暖温带半湿润大陆性季风气候，由于临海受海洋影响较大，气候温和，全年平均气温约11.2 ℃[15]。

图1 秦皇岛市地理位置

1.2 数据来源

基于GEE平台提供的Landsat系列影像数据并进行在线处理，共计使用1 443景，包括Landsat 5 Surface Reflectance Tier 1数据、Landsat 7 Surface Reflectance Tier 1数据、Landsat 8 Surface Reflectance Tier 1数据；秦皇岛市行政区矢量文件来源于自然资源部标准地图服务系统(http://bzdt.ch.mnr.gov.cn/)；秦皇岛市2001—2018年逐年的平均气温、20-20时降水量和日照时数数据来自国家气象科学数据开放中心官网(http://www.data.cma.cn)；土地利用类型遥感影像数据来自于中国科学院地理科学与资源研究所共享官网(http://www.resdc.cn)。

2 研究方法

2.1 像元二分模型

采用最大值合成法[16]，计算得到研究区年度最大归一化植被指数值(NDVI)，计算公式为

NDVIn=max NDVIm

(1)

式(1)中:NDVIn为所求第n年的NDVI最大合成值；NDVIm为每个像元上每幅影像的NDVI值；m为包含研究区的第n年的遥感影像总数。

像元二分模型不受地域、地形等客观因素限制，对于地表实测数据的依赖性不强，可以通过相关的计算来减少或消除因大气和土壤类型等诸多因素带来的误差[17]，因此在使用遥感影像对研究区植被覆盖度(fractional vegetation cover，FVC)进行估算的过程中应用十分广泛，该模型可表示为

(2)

式(2)中: FVC代表植被覆盖度;NDVIveg则代表完全被植被所覆盖的像元的NDVI值;NDVIsoil表示完全是裸土或无植被覆盖区域的NDVI值。

2.2 变异系数

变异系数(coefficient of variation，CV)是用来表示一组地理数据变异程度的统计量[18]，在一定程度上也可以指示区域生态系统的脆弱程度[19]，其计算公式为

(3)

式(3)中:CV为植被覆盖度的变异系数；j=1，2，…，20为年序号；xj为第j年的植被覆盖度；x为20年间的最大植被覆盖度的均值。变异系数的值越大，说明数据分布的越离散，植被覆盖度的波动性越大；反之则说明数据分布的较为集中，植被覆盖度的波动性较小，在研究年限内较为稳定。

2.3 一元线性回归模型

研究区影像每个像元的植被覆盖度会随着时间的变化而表现为增长、降低和基本稳定的趋势。研究采用一元线性回归模型分析植被覆盖度随时间变化的趋势，通过线性拟合每个像元20年间的植被覆盖度变化趋势，从而计算变化率[20]。公式为

(4)

式(4)中：k为植被覆盖度变化趋势线斜率;n=20为监测年数;j=1，2，…，20 为年序号; FVCj为第j年植被覆盖度最大合成值。

2.4 元胞自动机-马尔可夫链模型

元胞自动机(cellular automata，CA)是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂时空演化过程的能力[21]，可以表示为

St+1=f(St,n)

(5)

式(5)中：S表示元胞离散的状态集合;n是元胞邻域；t和t+1代表不同时刻;f是局部的空间元胞状态转换规则。

马尔可夫链(Markov)模型是利用某一目标系统的现状和其在一段时间内的发展趋势，预测该系统未来时间内的状况的一种概率预测分析方法与技术，一般用于无后效性特征的地理事件的预测[21]，可以表示为

St+1=P×St

(6)

式(6)中：St和St+1分别表示t和t+1时刻的系统状态；Pij代表系统的转移概率矩阵，表示为

(7)

系统从某一时刻t到t+1时刻，状态Si转移为Sj的频数nij与Si状态频数ni之比，即为该过程的转移概率。

以CA架构为基础，对CA模型的卓越表达能力和Markov模型的长期预测能力加以结合运用，可以使预测结果更加合理[22-23]。

3 结果与分析

3.1 植被覆盖度分级变化特征

用NDVI最大值合成法和像元二分模型[24-25]，基于GEE平台计算生成研究区各年间各个像元的NDVI最大值影像并最终得到全年最大植被覆盖度影像。使用等间距划分法[26]，对研究区的植被覆盖度进行分级。五级(低植被覆盖度)：0<植被覆盖度<20%;四级(中低植被覆盖度)：20%<植被覆盖度<40%;三级(中植被覆盖度)：40%<植被覆盖度<60%；二级(中高植被覆盖度)：60%<植被覆盖度<80%；一级(高植被覆盖度)：植被覆盖度>80%。确定植被覆盖度分级体系后，运用ENVI5.1软件中的重分类功能，以制定好的分类体系为基础依据，改变不同数据级别的颜色，输出秦皇岛市2001—2020年的最大植被覆盖度分级图(图2)和最大植被覆盖度分级占比表(表1)。

图2 2001—2020年秦皇岛市最大植被覆盖度分级

由图2和表1可得出，2001—2020年20年间秦皇岛市植被覆盖情况总体良好，且各级植被覆盖度的面积无较大变化，整体上仍以中高植被覆盖度和高植被覆盖度为主，低、中低、中植被覆盖度有着轻微的增长趋势，中高、高植被覆盖度有轻微的下降趋势。2013年高植被覆盖度以58.2%的占比达到20年间最高，2015年占比39.5%为20年间最低；2005年低植被覆盖度以10.6的占比达到20年间最高，2008年占比8.2%为20年间最低。植被覆盖度在空间分布上保持着西北、西南部较高，东北、东南部较低的分布趋势。高植被覆盖度区域主要集中于青龙县、卢龙县、抚宁区北部和昌黎县南部地区，这部分区域多农村和山地，生态环境良好，植被丰富；低植被覆盖度区域主要集中于山海关区、北戴河区和海港区，这部分区域人口密度大，属于秦皇岛市主城区，临海且多居民区、商业区，植被较为稀少。

表1 2001—2020年秦皇岛市最大植被覆盖度分级占比表

3.2 植被覆盖度稳定性分析

使用式(4)计算得到秦皇岛市2001—2020年的最大植被覆盖度变异系数分布如图3所示，可以看出：2001—2020年间秦皇岛市植被覆盖度整体上较为稳定，植被覆盖度变异系数低于0.2的区域占73%，主要分布在青龙县、卢龙县、抚宁县以及昌黎县等植被覆盖度较高的区域，这些区域植被茂盛，抗干扰性较强，植被覆盖度波动变化较小；变异系数大于0.8的区域占7%，主要分布在大小河流、湖泊周边以及人口密集的城区。水域所在地较大的变异系数与其本身植被覆盖度为零有关，从而导致变异系数出现异常的高值，而城区较大的植被覆盖度变异系数则说明人类活动、城市发展扩张对于区域的植被分布情况有着巨大影响，导致植被覆盖度出现大幅波动。

图3 秦皇岛市最大植被覆盖度变异系数分布图

3.3 植被覆盖度变化趋势分析

使用一元线性回归模型对秦皇岛市范围内各像元2001—2020年的最大植被覆盖度变化趋势进行拟合，计算出每个像元的最高植被覆盖度变化趋势斜率(k)，斜率为正值时表示植被覆盖度呈增长趋势；斜率为负值时表示植被覆盖度呈减少趋势；斜率趋近于零时表示植被覆盖度基本保持稳定。根据获取到的各个像元的植被覆盖度变化趋势数据，采用自然间断点分级法，将变化趋势分为5类：明显改善(k>0.013)、轻微改善(0.003

由图4和表1、表2可以看出，2001—2020年近20年间秦皇岛市植被覆盖度变化趋势主要以基本稳定和轻微改善为主，其中呈现基本稳定趋势的面积占秦皇岛市总面积的42.3%；轻微改善趋势的面

图4 秦皇岛市最大植被覆盖度变化趋势图

积占32%，主要分布在青龙县东南部、海港区西北部以及昌黎县南部；轻微退化趋势的面积占14%，主要分布在各区、县城区范围向外扩张的边缘地区；明显改善趋势的面积占8%，主要分布在各区、县周边的郊区，尤以抚宁县和山海关区为主；严重退化趋势的面积占3.7%，主要分布在各区、县的城镇中心区域，其中尤以海港区、北戴河区和青龙县城区为主。

3.4 植被覆盖度影响因素分析

植被覆盖度的变化是在自然气候变化和人类活动共同作用下影响的，自然气候变化主要影响长时间跨度下植被覆盖度的总体变化趋势，而短期内，人类活动对植被覆盖度的影响更为直接，影响结果更为明显[27]。

3.4.1 自然气候因素分析

探讨秦皇岛市2001—2020年的年平均气温、20-20时累计降水量、日照时数的变化趋势及其与年最大植被覆盖度平均值之间的变化关系，进而发现：秦皇岛市近20年间，年平均气温、20-20时累计降水量和日照时数整体上呈现出上升趋势，且年平均植被覆盖度在整体上也呈现出略微上升的趋势。如图5所示，每逢气温、降水量、日照时数出现极值，经过1～2年，植被覆盖度平均值也会有极值出现。在长时间跨度上，高平均气温、大降水量和长日照时数往往带来的是植被覆盖度平均值的增加，反之则表现为植被覆盖度平均值的减少。

图5 2001—2020年秦皇岛市20-20时降水量、平均气温和日照时数与年最大植被覆盖度平均值变化关系趋势

3.4.2 人为因素分析

人类活动对地表植被覆盖情况最直观的影响体现在土地利用方式的变化上。将获取的土地利用类型遥感数据进行面积计算，得到秦皇岛市2000—2020年土地利用变化情况如表3所示，由此可知，2000—2020年间秦皇岛市的林地和城乡工矿居民用地明显增加，林地面积从2000年的2 174 km2增长到2020年的2 476 km2，增长率为13.89%，城乡工矿居民用地从2000年的455 km2增长到2020年的960 km2，增长率为110.99%；耕地、草地、水域及未利用地的减少率分别为10.74%、26.48%、1.07%和34.62%。结果显示，秦皇岛市高、中高植被覆盖度区域面积减少，低、中低植被覆盖度区域增加的主要原因在于耕地、草地和未利用地的大幅度减少，同时城乡工矿居民用地面积显著增加。

表3 秦皇岛市2000—2020年土地利用变化情况

3.5 植被覆盖度预测

基于Markov模型，使用2010—2015年秦皇岛市植被覆盖度分级数据计算出转移概率矩阵并以此作为转换规则，再以2015年秦皇岛市植被覆盖分级数据为基础，使用CA-Markov模型预测2020年各级植被覆盖情况。通过对比预测结果与真实结果，经验证可得两者之间的Kappa系数为0.6834，Kappa系数大于0.61，表明二者之间具有高度的一致性[28]，差异较小，故使用CA-Markov模型进行植被覆盖情况的预测具有较强的参考价值。

鉴于此，又以2015—2020年植被覆盖度分级数据计算出转移概率矩阵并作为转换规则，运用CA-Markov模型，以2020年秦皇岛市植被覆盖分级数据为基础预测2025年各级植被覆盖度情况，结果如图6和表4所示。

图6和表4表明，秦皇岛市植被覆盖情况在保持2015—2020年的变化趋势下，到2025年，全市各级植被覆盖度变化不大，仍以高植被覆盖度为主，占47.4%，与2020年相比增长了0.9%；低植被覆盖度和中植被覆盖度分别减少了0.8%和0.14%；其中中低植被覆盖度和中高植被覆盖度基本保持不变，与2020年持平。

图6 2025年秦皇岛市植被覆盖分级图

表4 2025年秦皇岛市植被覆盖度分级占比

4 结论

基于目前先进的GEE平台，调用了1443景的Landsat遥感影像，使用最大值合成法、像元二分模型一元线性回归模型、变异系数和CA-Markov模型对秦皇岛市2001—2020年植被覆盖度的动态变化及其影响因素进行探究，并对秦皇岛市2025年的植被覆盖情况进行预测。主要得出以下结论。

(1)2001—2020年20年间，秦皇岛市最大植被覆盖度主要以中高植被覆盖度和高植被覆盖度为主，二者面积之和均超过总面积的65%。与2001年相比，2020年秦皇岛市低植被覆盖度增加了0.9%，中低植被覆盖度增加了1.4%，中植被覆盖度增加了0.4%，中高植被覆盖度减少了1.5%，高植被覆盖度减少了1.1%，植被覆盖度呈现出西北、西南部偏高，东北、东南部较低的分布趋势。

(2)秦皇岛市20年间植被覆盖度整体较为稳定，最大植被覆盖度变异系数小于0.2的稳定区域占73%，主要集中于植被茂密、种类繁多、抗干扰性强的草地、林地地区，变异系数大于0.8的波动较大的地区占7%，主要集中于河流湖泊和城区等植被稀少、抗干扰性差的地区。

(3)秦皇岛市20年间植被覆盖度增加区域占40%，多位于秦皇岛市东北部；减少区域占17.7%，多位于秦皇岛市西北部和东部沿海地区；保持基本不变的区域占42.3%，多位于秦皇岛市中部和西南地区。

(4)预测结果表明，2025年秦皇岛市高植被覆盖度占比为47.4%，与2020年相比增长了0.9%；中高植被覆盖度占比为27.5%，增加了0.1%；中植被覆盖度占比为10.6%，减少了0.4%；中低植被覆盖度占比为6.1%，降低了0.1%；低植被覆盖度占比为8.4%，降低了0.8%。

(5)气温、降水量和日照时数的增加对植被覆盖度有一定的影响，但短期内人类活动的影响更为直接。耕地、草地和未利用地的大面积减少，城乡工矿居民用地的显著增加是导致中高、高植被覆盖度占比减少的直接原因。建议有关部门应加强对植被覆盖度减少地区的监管和治理，注重开展植被的保护工作，在保证经济发展的前提下，充分考虑绿地的数量和布局。

研究结果对秦皇岛市未来的生态环境建设工作具有一定的参考价值，但由于此次研究时间跨度和区域范围较大，且需要调用多型号Landsat传感器的遥感影像，故会在一定程度上影响植被覆盖度估算结果的准确性。并且本次研究对目标区域植被覆盖度变化的原因只是进行了大体上的整理和概括，并未进行细致的研究与探讨，同时也没有给出详细的应对建议，这些问题都需要再进一步的研究中加以完善。