2000年—2020年珠江流域植被覆盖度时空变化特征研究

冯建平

2000年—2020年珠江流域植被覆盖度时空变化特征研究

冯建平

（西华师范大学地理科学学院四川南充637009）

文章基于Google Earth Engine平台，在MODIS EVI数据的基础上，结合像元二分法模型和一元线性回归两种方法来研究珠江流域2000年—2020年植被覆盖度时空变化特征。结果表明：（1）2000年—2020年研究区内植被覆盖度以0.002 9/a的速率波动上升；（2）珠江流域植被覆盖度空间上明显呈西高东低分布格局，植被覆盖度呈现改善趋势的区域面积大于呈退化趋势的区域面积，且大部分低植被覆盖度区域转变为中植被覆盖度区域。研究结果有助于了解地区生态环境演变，对于指导地区生态修复和可持续发展具有重要意义。

植被覆盖度；EVI；珠江流域；时空变化；趋势分析

植被作为陆地生态系统的重要组成部分，通过光合作用吸收二氧化碳和水生成氧气和有机质，在水循环和碳循环中起着至关重要的作用[1-2]。植被覆盖变化可以作为反映植被健康和生态系统稳定性的重要指标，监测植被覆盖度的时空动态对于及时准确地评估生态系统恢复政策的效益至关重要[3-4]。常用于计算或者表征植被覆盖度的植被指数有归一化植被数据（NDVI）和增强植被指数（EVI），与NDVI相比，EVI在合成算法上做了进一步的优化，有效地克服了NDVI容易过饱和的问题[5-6]。

王行汉等基于MODIS EVI数据，利用相关性分析方法探讨2004年—2013年珠江流域植被变化对气象因子和人类活动因子的响应，研究结果表明珠江流域人类活动对植被变化影响程度大于自然环境[7]。王睿卿等利用一元线性回归方法探讨2000年—2015年珠江流域NDVI植被时空变化特征，并运用地理探测器探讨自然环境因素与人为活动因素两类因素对研究区内植被NDVI时空变化的影响程度，研究结果表明珠江流域平均植被覆盖呈明显改善趋势且人类活动对植被变化影响程度大于自然环境[8]。

综上所述，关于珠江流域植被覆盖变化的研究主要集中在NDVI时空变化特征及其与气候、地形等因子之间的关系上，而利用MODIS EVI对珠江流域植被覆盖度动态变化趋势进行研究较少。故本文利用Google Earth Engine（GEE）平台，以MODIS EVI数据为基础，运用像元二分法和一元线性回归两种方法分析珠江流域2000年—2020年植被覆盖度时空变化特征，从宏观方面了解区域植被变化趋势分布状况，旨在为珠江流域生态修复和可持续发展提供决策依据。

1 研究区概况

珠江流域位于我国的西南部，横跨云南、贵州、广西、江西、福建、广东6个省级行政单元，流域面积44.68万km2。研究区地势总体上呈西高东低，从西到东依次跨过云贵高原、广西丘陵、珠江三角洲三大地貌单元，海拔范围为-55 m～2 890 m。研究区内气候以亚热带季风气候为主，多年平均气温在14 ℃～22 ℃间，多年平均降水在660 mm～2 200 mm间，受海陆位置和地形的共同作用，降水量呈现由西向东逐渐增加的趋势[9]。

2 数据来源与研究方法

2.1 数据来源

本文数据来源于GEE遥感云平台，分辨率为250 m，时间分辨率为16 d，具体处理过程如下：首先利用GEE网页端的JavaScript API接口访问2000年—2020年全球范围的MOD13Q1 EVI产品数据集，其次根据矢量范围筛选和裁剪出位于珠江流域的影像数据集，最后采用最大值合成法获取2000年—2020年共21年的最大EVI时间序列影像[10]。

2.2 研究方法

2.2.1 Google Earth Engine云平台

Google Earth Engine是谷歌公司研发的云计算平台，其不仅可以提供海量的地理空间数据，还可以在线对地理空间数据进行采集、处理、编辑和可视化等一系列的操作。它提供的数据包括各种常用的光学影像、雷达影像、气象和地形等数据集，容量达到PB级。GEE可以实现快速、大量地处理数据，而不受空间和时间限制，这有助于研究者快速地监测和量化地表动态变化。目前，GEE已被广泛应用于植被、水、城镇和土地利用变化监测等地学遥感研究[11]。

2.2.2 最大值合成法

为了更好地降低云、大气和太阳高度角等因素对MODIS EVI数据质量的影响程度，本研究采用最大值合成法逐年合成珠江流域植被EVI的年最大值[12]，具体计算公式如下：

2.2.3 像元二分法模型

像元二分法是线性混合像元分解最简化的一种模型，其原理是假设每个像元物质都由植被和非植被两部分组成，植被与非植被的面积在像元中所占的比例是二者的权重。植被覆盖度就是植被所对应的权重，具体计算方法如下：

2.2.4 趋势分析法

为了更加清楚地掌握2000年—2020年间珠江流域的时空变化特征，利用一元线性回归的方法分析逐个像元植被覆盖度的变化趋势，具体计算公式如下：

表1　植被覆盖度变化趋势分类标准

3 结果与分析

3.1 植被覆盖度的时间变化特征

为了更好地体现珠江流域植被覆盖度年际间的变化，逐年求取研究区内全部像元的平均值表示当年珠江流域整体的植被覆盖程度，绘制2000年—2020年珠江流域年最大EVI均值图（见图1）。研究区在近21年内植被覆盖度平均值呈现波动上升趋势，最小值出现在2000年，为0.529，于2018年达到最大值0.589。从拟合的线性关系可知，2000年—2020年珠江流域植被覆盖度的增加趋势为0.002 9/a，表明研究区植被覆盖呈现改善的趋势。

图1　珠江流域2000年—2020年植被覆盖度的年际间变化

3.2 植被覆盖度的空间变化特征

利用Matlab 2019a软件编程实现逐像元求取2000年—2020年间植被覆盖度的均值后，参考相关研究文献[11,13]，利用ArcGIS 10.3的重分类工具把植被覆盖等级分为以下5类：植被覆盖度小于5%的为无植被覆盖，介于5%与30%之间的为劣覆盖度，介于30%与50%之间的为低覆盖度，介于50%与70%之间的为中覆盖度，大于70%的为高覆盖度。最终得到近21年来珠江流域植被覆盖度空间分布格局，如图2所示。从研究区域整体上看，呈现西高东低的分布格局。高覆盖度主要分布于海拔较高的林地区域，由于海拔相对适中，水热条件较好，适宜植被生长，如曲靖市东南部、文山壮族苗族自治州东北部、百色市西北部。劣覆盖度和无植被覆盖主要分布于低海拔的建设用地区域，这部分区域坡度小，地形平坦，受人为活动的影响较大，如南宁市、柳州市、桂林市、汕头市、潮州市等地级市的城区，珠江三角洲的粤港澳大湾区。

图2　珠江流域2000年—2020年植被覆盖度分布格局

为了更加清晰地了解2000年—2020年各等级植被覆盖度区域面积占比变化的情况，对2000年和2020年各等级植被覆盖度进行叠置分析后，得到2000年—2020年珠江流域植被覆盖度变化空间转移矩阵（见表2）。根据统计数据可知，2020年高覆盖度、中覆盖度和无植被覆盖区域与2000年相比有所增加，其区域面积占比分别增加10.57%、8.42%和0.28%。剩余劣覆盖度和低覆盖度区域占比分别降低0.25%和19.02%。2000年低覆盖度区域的转出面积最大，占整个研究区面积的27.02%，其中大部分区域的植被由于生态环境的改善从低覆盖度转为中覆盖度。

表2　珠江流域2000年—2020年植被覆盖度变化空间转移矩阵（单位：%）

利用Matlab 2019a软件编程获取2000年—2020年间逐像元一元线性回归分析的斜率，并结合显著性结果进行重分类，最终得到近21年来珠江流域植被覆盖度变化趋势图（见图3）。从变化程度来看，珠江流域73.37%的区域植被覆盖度的变化趋势为基本保持稳定。植被覆盖度呈现改善趋势的区域面积大于呈退化趋势的区域面积，植被覆盖度变化趋势呈极显著改善和显著改善的面积占比分别为11.31%和11.03%；极显著退化和显著退化的面积占比分别为2.4%和1.88%。

图3　珠江流域2000年—2020年植被覆盖度变化趋势图

4 结论

本研究基于GEE云平台，在MODIS EVI数据集的基础上，利用像元二分法模型估算了2000年—2020年珠江流域的植被覆盖度，并采用一元线性回归和空间转移矩阵的方法探讨近21年来珠江流域植被覆盖度时空变化特征，得出以下结论：

（1）在时间上，2000年—2020年珠江流域的植被覆盖度总体上呈现上升趋势，植被覆盖率较高，处于0.529～0.589之间。

（2）在空间上，珠江流域植被覆盖度空间上明显呈西高东低的分布格局，植被覆盖度呈改善趋势的区域面积大于呈退化趋势的区域面积。此外，研究区内实施生态修复工程后，大部分植被低覆盖度区域改善变为植被中覆盖度区域。

本文从时间和空间两个角度分析珠江流域近21年来的植被覆盖变化情况，在今后的研究中，将进一步考虑自然因素和人为因素对植被覆盖变化的影响，从而为珠江流域植被恢复及生态环境建设提出更加合理的治理和保护方案。

[1]陈宽,杨晨晨,白力嘎,等.基于地理探测器的内蒙古自然和人为因素对植被NDVI变化的影响[J].生态学报,2021,41(12):4963-4975.

[2]邓元杰,姚顺波,侯孟阳,等.长江流域中上游植被NDVI时空变化及其地形分异效应[J].长江流域资源与环境,2020,29(1):66-78.

[3]丁永康,叶婷,陈康.基于地理探测器的滹沱河流域植被覆盖时空变化与驱动力分析[J].中国生态农业学报(中英文),2022,30(11):1737-1749.

[4]谷雷,岳彩荣,赵勋,等.基于Google Earth Engine的云南省1999—2018年植被覆盖度变化分析[J].西部林业科学,2020,49(5):74-80.

[5]廖成浩,曾艳,姚昆,等.江西植被EVI时空动态监测及驱动因素分析[J].云南大学学报(自然科学版),2022,44(5):981-989.

[6]伍宜丹,马悦,吴浩然,等.基于MODIS-EVI指数的四川省植被指数时空演变特征及驱动力[J].水土保持研究,2020,27(5):230-236,243,2.

[7]王行汉,丛沛桐,刘超群,等.2004—2013年珠江流域植被变化及其胁迫分析[J].生态学报,2017,37(19):6494-6503.

[8]王睿卿,蒋晓辉,聂桐.基于地理探测器的珠江流域NDVI时空变化及驱动力分析[J].人民珠江,2022,43(7):61-73.

[9]吴志勇,白博宇,何海,等.珠江流域1981—2020年水文干旱时空特征分析[J/OL].河海大学学报(自然科学版):1-10[2022-08-12].http://kns.cnki.net/kcms/detail/32.1117.TV.20220812.1155.002.html.

[10]冯李.金沙江流域植被覆盖度的遥感动态监测及其驱动机制研究[D].昆明:云南师范大学,2021.

[11]朱林富,谢世友,杨华,等.基于MODIS-EVI的四川植被覆盖地形分布特征[J].西南大学学报(自然科学版),2022,44(9):122-132.

[12]李亚楠.新疆2001-2020年NDVI时空特征及其对环境因子响应研究[D].乌鲁木齐:新疆大学,2021.

[13]李美丽,尹礼昌,张园,等.基于MODIS-EVI的西南地区植被覆盖时空变化及驱动因素研究[J].生态学报,2021,41(3):1138-1147.

10.3969/j.issn.2095-1205.2023.01.11

Q948

A

2095-1205(2023)01-34-04

冯建平（1995— ），男，汉族，四川宜宾人，硕士研究生在读，研究方向为资源与环境遥感。