地理学报 2015 , 70 (9): 1491-1502 https://doi.org/10.11821/dlxb201509011

Ecology and Environment

洞庭湖流域植被动态变化的小波多分辨率分析

龙岳红¹^,²^,, 秦建新¹^,, 贺新光¹, 杨准¹

1. 湖南师范大学资源与环境科学学院,长沙 410081
2. 湖南城市学院市政与测绘工程学院,益阳 413000

Wavelet multi-resolution analysis of vegetation dynamic change in Dongting Lake Basin

LONG Yuehong¹^,²^,, QIN Jianxin¹^,, HE Xinguang¹, YANG Zhun¹

1. College of Resources and Environmental Science, Hunan Normal University, Changsha 410081, China
2. College of Municipal and Surveying and Mapping Engineering, Hunan City University, Yiyang 413000, Hunan, China

通讯作者: 秦建新(1969-), 男, 湖南永州人, 教授, 博士生导师, 中国地理信息系统协会理事、湖南省测绘地理信息学会副理事长,主要从事地理信息系统应用、空间信息可视化等研究。E-mail: 1015263891@qq.com

收稿日期: 2015-05-5

修回日期: 2015-06-23

网络出版日期: 2015-09-20

基金资助: 湖南省十二五重点学科地理学和湖南省教育厅科研项目(14A097)

作者简介:

作者简介：龙岳红(1981-), 女, 湖南岳阳人, 博士研究生, 讲师, 主要从事资源环境遥感与GIS研究。E-mail: 913290941@qq.com

展开

摘要

将离散小波多分辨率分析（MRA）应用于归一化植被指数（NDVI）时间序列研究,分解NDVI原数据序列成不同时间尺度的子序列,从而进行植被动态变化分析。针对洞庭湖流域的NDVI时间序列进行多尺度分解,挖掘这些数据中潜在的植被季节性和年际变化,对其进行评估,并结合土地覆盖变化与降水趋势变化分析引起该变化的可能原因。结果表明：小波多分辨率分析能提取洞庭湖流域植被动态的相关信息,如NDVI的年际成分均值、最低值、植被年内变化的振幅、NDVI最大值出现的月份和土地覆盖变化的趋势及幅度,这些信息有效刻画了流域植被动态变化特征。此外,将土地覆盖变化分析结果与降水数据相结合进行分析,发现流域植被覆盖的变化与降水变化有明显的关联性,其中西部地区和西北部地区植被动态变化对降水响应最为明显。但是有些地区降水没有明显减少趋势,而植被覆盖却存在减少趋势,则可能与该地地势较高、城镇化建设等其他因素相关。

关键词： 洞庭湖流域 ; MODIS NDVI ; 离散小波变换 ; 多分辨率分析 ; 植被动态变化

Abstract

The vegetation dynamic change can be analyzed by applying the discrete wavelet multi-resolution analysis (MRA) to decompose the normalized difference vegetation index (NDVI) time series into subseries at different time scales. In this thesis, the NDVI time series over Dongting Lake Basin was decomposed under different time scales by the wavelet transform. Then the latent seasonal and inter-annual variability of vegetation was mined and assessed. Finally, the possible causes of the changes were analyzed in combination with the land cover change analysis result and the rainfall data. The results show that by using the wavelet multi-resolution analysis, the information related to vegetation dynamics in Dongting Lake Basin can be extracted, which includes the mean of the inter-annual component of NDVI, the minimum level of NDVI, the amplitude of the annual phonological cycle, the timing of the maximum NDVI, the trend in the data series and the magnitude of the land cover change. The information effectively depicts the basin's vegetation dynamics characteristics. Furthermore, with the combination of land cover change analysis result and precipitation data, an obvious correlation was found between the change of vegetation cover and the precipitation change in the basin, that is, the vegetation dynamic changes response to precipitation is the most obvious in the western and northwestern parts of the basin. Although there is no obvious decrease in precipitation in some areas, the vegetation cover has a decreasing trend, which may be related to other factors, such as higher terrain and urbanization.

Keywords： Dongting Lake Basin ; MODIS NDVI ; discrete wavelet transform ; multi-resolution analysis ; vegetation dynamic change

PDF (3137KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

龙岳红, 秦建新, 贺新光, 杨准. 洞庭湖流域植被动态变化的小波多分辨率分析[J]. , 2015, 70(9): 1491-1502 https://doi.org/10.11821/dlxb201509011

LONG Yuehong, QIN Jianxin, HE Xinguang, YANG Zhun. Wavelet multi-resolution analysis of vegetation dynamic change in Dongting Lake Basin[J]. 地理学报, 2015, 70(9): 1491-1502 https://doi.org/10.11821/dlxb201509011

1 引言

在自然和人文因素的影响下,陆地生态系统在时间和空间尺度下都持续不断的发生变化。植被是生态系统的重要组成部分,植被覆盖变化的水平能反映区域性生态环境状况。植被指数是表征地表植被特征的重要参量,携带了丰富的地表植被结构、功能信息^[1]。而归一化植被指数（NDVI）是植被生长状态及植被覆盖度的最佳指示因子,其时序数据也已成为基于生物气候特征开展大区域植被和土地覆盖分类的基本手段^[2]。国内外学者已将时序NDVI数据成功的应用在植被动态变化监测和植被分类研究中^[3-10],研究的重心集中在植被动态变化及其与气候等相关因素的关系,并且关注不同时空尺度下植被变化的情况。

近年来,随着小波理论的发展成熟,基于小波分析具有多分辨率分析的能力,已有学者开始将该理论和方法应用到NDVI时序数据的应用研究中。国内外学者对小波变换的多尺度分析理论在监测植被动态变化中的作用进行了论证,发现对一组NDVI时间序列进行小波分析,能挖掘出年内植被动态变化的关键特征,而且这些特征主要与植被覆盖类型有关,而年际植被动态变化也呈现一定趋势,这些趋势往往与土地覆盖变化相关。其中Martínez和Gilabert还将所得的土地覆盖变化量级与降水量数据进行结合,用于解释观测到的土地覆盖变化和确定那些与土地退化相关联的细微土地覆盖变化^[11]。宋涛采用基于小波变换的植被动态分析对福州市10年时间尺度上的植被覆盖变化进行了研究,利用小波特征量方法分析得到了不同植被覆盖类型的植被覆盖变化情况^[12]。应用小波变换对归一化植被指数进行动态分析,在高分辨率下,可以得到不同植被的季节性变化特征,在低分辨率下,可以得到土地覆盖变化。

国内学者对于洞庭湖流域的研究较多,涉及到洞庭湖湿地^[13-14]、生物、气候及灾害性天气^[15]、水沙、生态安全等各方面。但是关于整个洞庭湖流域植被动态分析的报道较少,且尚未见应用离散小波变换于洞庭湖流域植被动态多分辨率分析的相关文献。本文应用小波变换分解洞庭湖流域2001-2013年取样间隔为16天的MODIS NDVI数据序列,并进行植被动态多分辨率分析,不仅能在时间大尺度范围内观察洞庭湖流域土地覆盖变化情况,还能在时间小尺度范围内监测流域内植被季节性变化,并且结合流域内降水数据分析植被变化的可能原因,可为洞庭湖流域的社会经济发展和生态环境建设提供重要的依据。

2 研究材料

2.1 研究区域概况

洞庭湖流域总面积26.3万 km²,除包括洞庭湖区外,还包括湘、资、沅、澧四水,覆盖湖南省大部分和湖北、广西、贵州、重庆部分地区（图1）。在景观、气候条件和地貌上具有异质性特点,很适合采用遥感手段研究。地形在每个地区的气候中起着重要的作用,洞庭湖流域东南西三面环山,向北开口,构成独特的“马蹄形”格局,地形海拔从-26 m到2558 m,地貌形态复杂多样,主要的土地利用类型是耕地、荒山地、林地、非农业用地、草地、滩涂用地、园地、水域等8大类型^[16];流域地处东南季风和西北季风交绥地带,属于典型的亚热带季风气候区,气候温暖湿润。洞庭湖流域全区域共有27个气象站点（图1）。

显示原图| 下载原图ZIP| 生成PPT

图1 研究区示意图

Fig. 1 Sketch map of the study area

2.2 数据来源与预处理

遥感数据为2001-2013年MODIS13Q1 Collection 5中的NDVI数据,其时空分辨率分别为16天和250 m,来源于美国国家航空航天局的EOS/MODIS数据产品（http://e4ft101.cr.usgs.gov）。该产品是视场角限制最大值合成方法生成的16天合成数据,通过最大值合成降低了非植被效应如云、雾和大气气溶胶的影响,并降低视场几何效应,且已进行了地理参考和几何校正。研究区域覆盖3景MODIS NDVI数据,其轨道行列号分别为H27V05、H27V06、H28V06,地图投影为Sinusoidal投影（正弦曲线投影）。使用ENVI工具进行预处理,首先根据MODIS NDVI中的数据质量控制文件,对质量较差（由于云污染或冰雪覆盖所致）以及无值的像元进行标记。然后将标记后的所有数据进行投影转换成UTM并进行合并,采用洞庭湖矢量边界进行裁剪,生成每年23个时相的MODIS NDVI数据。再将这些图像进行均值取代处理,将标记的像元值换成时间序列上的均值。然后将299幅图像按时间先后顺序装入立体矩阵中,至此,遥感数据预处理完成。

此外,本文使用到的洞庭湖流域降水数据来自于该研究区范围内的27个气象站点所记录的2001-2013年的月降水数据。

3 理论基础

3.1 小波变换

小波变换（WT）是一种在时频域内进行多分辨率分析的方法,已广泛应用于气象、水文及地球物理等领域^[17-19]。小波变换的基本思想是用一组基函数把信号分解成了不同时间尺度的子信号。这组基函数 $\begin{matrix} {{ψ_{a}}_{,}_{}_{b} (t)} \end{matrix}$ 由一个母小波函数 $\begin{matrix} ψ （ t ） \end{matrix}$ 进行伸缩和平移而生成,即：

$\begin{matrix} ψ_{a, b} (t) = \frac{1}{\sqrt[]{a}} ψ (\frac{t - b}{a}), a > 0, - \infty < b < \infty, \end{matrix}$ （1）

式中： $\begin{matrix} a \end{matrix}$ 是尺度参数;b是平移参数。针对时间序列 $\begin{matrix} f (t) \end{matrix}$ ,其连续小波变换（CWT）可定义为：

$\begin{matrix} W_{ψ} (a, b) = \frac{1}{\sqrt[]{a}} \int_{-}^{\infty} \overset{̅}{ψ} (\frac{t - b}{a}) f (t) dt \end{matrix}$ （2）

式中： $\begin{matrix} \overset{̅}{ψ} \end{matrix}$ 是母小波的共轭。对于每一个尺度 $\begin{matrix} a \end{matrix}$ ,小波变换的结果是一组与不同时间位置 $\begin{matrix} b \end{matrix}$ 相关的系数 $\begin{matrix} W_{ψ} (a, b) \end{matrix}$ 。

实际应用中,连续小波通常被离散化后以处理离散信号。在式（1）中,取 $\begin{matrix} a = 2^{j} \end{matrix}$ , $\begin{matrix} b = k 2^{j} \end{matrix}$ , $\begin{matrix} k \end{matrix}$ 是位置指数, $\begin{matrix} j \end{matrix}$ 是分解的层数。可得如下的离散小波基：

$\begin{matrix} {ψ_{j}}_{,}_{k} (t) = 2^{- j / 2} ψ (2^{- j} t - k) \end{matrix}$ （3）

从而有 $\begin{matrix} f (t) \end{matrix}$ 的离散小波变换（DWT）可以写为：

$\begin{matrix} W_{ψ} (j, k) = 2^{- j / 2} \int_{-}^{\infty} \overset{̅}{ψ} (2^{- j} t - k) f (t) dt, j = 0, 1, ..., \begin{matrix} \end{matrix} k \in Z \end{matrix}$ （4）

式中：原始时间序列 $\begin{matrix} f (t) \end{matrix}$ 在分解层数为 $\begin{matrix} j \end{matrix}$ 和时间位置为 $\begin{matrix} k \end{matrix}$ 处特征可由 $\begin{matrix} W_{ψ} (j, k) \end{matrix}$ 所反映。层数 $\begin{matrix} j \end{matrix}$ 越低,时间尺度越短,便能访问到更小更精细的信号成分。

3.2 多分辨率分析

基于离散小波变换的多分辨率分析（MRA）通过应用与母小波相关的高通和低通滤波器组依次进行平移和卷积,将一个多频信号分解成若干不同时间尺度的子信号。这些滤波分别保留了信号的细节成分（D）和近似成分（A）子序列。在分解的第一层, $\begin{matrix} f (t) = A_{1} + D_{1} \end{matrix}$ ,信号分解为低频信号A₁和高频信号D₁。为获得更粗尺度下的分解,对 $\begin{matrix} A_{1} \end{matrix}$ 执行同样的步骤： $\begin{matrix} A_{1} = A_{2} + D_{2} \end{matrix}$ 。继续此过程有：A_j_-₁=A_j+D_j, $\begin{matrix} j = 2, ..., J \end{matrix}$ 。则,一个原始时间序列通过小波分解成J层可表示如下：

$\begin{matrix} f (t) = D_{1} (t) + D_{2} (t) + ...... + D_{J} (t) + A_{J} (t) \end{matrix}$ （5）

式中：J表示最高分解层数。分解层数j的细节成分 $\begin{matrix} D_{j} \end{matrix}$ 由式（6）给出：

$\begin{matrix} D_{j} (t) = \overset{\infty}{\sum_{k = - \infty}} W_{ψ} (j, k) ψ_{j, k} (t) \end{matrix}$ （6）

而信号在时间尺度 $\begin{matrix} 2^{_{j}} \end{matrix}$ 下的近似成分 $\begin{matrix} A_{j} \end{matrix}$ 由式（7）给出：

$\begin{matrix} A_{j} (t) = \overset{\infty}{\sum_{k = - \infty}} V_{φ} (j, k) φ_{j, k} (t), \end{matrix}$ （7）

式中： $\begin{matrix} φ_{j, k} (t) \end{matrix}$ 为尺度函数, $\begin{matrix} V_{φ} (j, k) \end{matrix}$ 表示由 $\begin{matrix} φ_{j, k} (t) \end{matrix}$ 计算得到的尺度系数。

4 实验过程

4.1 时序NDVI的MRA分析

为了选取最合适的尺度来对年际和年内成分进行研究,需要将尺度和频率联系起来,该联系可由下式所定义：

$\begin{matrix} p = \frac{aΔt}{V_{c}} \end{matrix}$ （8）

式中： $\begin{matrix} a \end{matrix}$ 是时间尺度; $\begin{matrix} Δt \end{matrix}$ 是采样周期; $\begin{matrix} V_{c} \end{matrix}$ 是小波基的中心频率; $\begin{matrix} p \end{matrix}$ 为MRA对应尺度下的周期。

表1给出了梅耶小波MRA分解在不同尺度下的周期或半周期,其中V_c = 0.67213,采样周期是16天。因为WT表示在所研究的时间尺度范围内,相邻时间尺度间平均值的差异。所以,最佳时间尺度的选择是与半周期一致的,即年际和年内成分分别说明了年和年及月和月之间的差异。

表1 梅耶DWT对采样周期为16天的MRA不同分解层下的周期(p)和半周期(p/2)

Tab. 1 Period (p) and semi-period (p/2) corresponding to the different MRA decomposition levels using the Meyer DWT and a sampling period of 16 days

层次(j)	尺度(a)	p(天数)	p/2(天数)
1	2	47	23.5
2	4	95	47
3	8	190	95
4	16	380	190
5	32	760	380

新窗口打开

当 $\begin{matrix} a = 2^{5} \end{matrix}$ 时,p/2 = 380天,所以,第5层的近似成分A₅提供了所研究时间段内的年际变化信息。这个近似成分展示在380天或更长的时间尺度下所研究对象是怎样变化的,并可以检测研究时间段内的长时间变化的存在性。半周期为47至380天的细节成分, $\begin{matrix} D_{2, ..., 5} \end{matrix}$ 被用来分析年内的植被动态变化。舍弃第一层的细节成分D₁,因为它有较高的频率变化（< 1个月）,这些绝大部分是时间噪声。由 $\begin{matrix} D_{j} = A_{j - 1} - A_{j} \end{matrix}$ ,所以 $\begin{matrix} j = 2, ..., 5 \end{matrix}$ 各层的细节成分说明了植被动态在D₂（23.5~47天）、D₃（47~95天）、D₄（95~190天）和D₅（190~380天）所对应时间尺度下的变化。

洞庭湖区洲滩某区域杨树林NDVI时间序列的MRA分解结果表明（图2）：这些生长在洞庭湖区洲滩区域的杨树林,每年出现了两个NDVI峰值,并具有明显的季节性变化。同时,图2也显示了DWT怎样将原始信号分解为不同时间尺度下的细节信息（D_j）和近似信息（A_j）的过程。随着时间尺度的增长,信号中表示年内变化的更为精细的成分被保留在细节子序列中（图2右列）,而信号中较平滑的部分则通过与低频成分相关的近似子序列所给出（图2左列）。这个结果可以通过比较 $\begin{matrix} A_{2} \end{matrix}$ 和 $\begin{matrix} A_{5} \end{matrix}$ 子序列而观察得到。在 $\begin{matrix} A_{2} \end{matrix}$ 成分中,半周期是47天,在每年内有一个清晰的双峰分布可以观察到,分别出现在春季和夏季。第一个最大值是由于4月中旬杨树开始长叶子,有一个NDVI高峰,第二个高峰是由于植被覆盖最高的光合作用所引起。而在 $\begin{matrix} A_{5} \end{matrix}$ 成分中,只有杨树冠层长周期的变化被观察到。细节成分允许我们分别分析年内变化的不同影响。细节成分的第一层包含了信号的高频率部分,因而可以用来识别信号中的短期内的局部特征或者噪声。高层包含了低频率部分。如,在 $\begin{matrix} D_{4} \end{matrix}$ 成分（半周期为190天）,冠层的最高光合作用活动的最大相关性只有在8月中旬的时候才能被观察到。

显示原图| 下载原图ZIP| 生成PPT

图2 杨树林NDVI时间序列的多分辨率分析(原始序列和5个近似成分示于左边,右边展示了5个细节成分)

Fig. 2 Multi-resolution analysis (MRA) for the NDVI time series belonging to a poplar forest canopy (The left panel shows the original time series and the five approximation series of the MRA. The right panel shows the five detail components)

4.2 方法

将NDVI数据进行小波多尺度分解和重构可获得不同时间尺度下的近似重构信息和细节重构信息。本文选取了洞庭湖流域5种典型植被类型的NDVI时间序列数据实现了小波多尺度分解。基于4.1节,采用分解层数为5的小波变换来分析洞庭湖流域2001年-2013年植被覆盖变化的年内和年际变化特征。

本文研究的三个相关输出是：① 变化成分, $\begin{matrix} V = \sum_{j}^{-} Dj \end{matrix}$ ,定义为2~5层的细节变化的总和,且被视为总的年内变化。② 细节成分 $\begin{matrix} D_{4} \end{matrix}$ ,与季节循环的半年变化相联系（因为它的半周期是190天）。③ 近似成分A₅,描述了年际变化（因为其半周期是380天）。

应用MRA研究植被动态可以分成三步。第一步,MRA被用来对NDVI影像时序数据进行分解,将原始序列分解成年际变化（A₅）和年内变化（ $\begin{matrix} V \end{matrix}$ 和D₄）序列,本文选取了5种不同的植被类型对其进行时间序列分解,这5种植被类型分别是杨树、灌木、草地、南荻、水草。

表2 从MRA计算得到用以研究植被动态的NDVI关键特征

Tab. 2 Key features computed from the MRA to study vegetation dynamics

参数	描述	意义
$\begin{matrix} \bar{NDVI} \end{matrix}$	年际成分的均值： $\begin{matrix} \bar{NDVI} \end{matrix} \begin{matrix} \equiv \bar{A_{5}} \end{matrix}$	一段时期内植被的均值水平
$\begin{matrix} NDV I_{\min} \end{matrix}$	年际变化均值和年内变化率的和的10%分位数： $\begin{matrix} NDV I_{\min} \end{matrix} \begin{matrix} \equiv P_{10} \end{matrix}$ ( $\begin{matrix} \bar{A_{5}} \end{matrix}$ +V )	在研究期内到达的最小NDVI水平
$\begin{matrix} ΔNDVI \end{matrix}$	年内变化率的10%至90%的范围： $\begin{matrix} ΔNDVI \equiv R_{10,90} (V) \end{matrix}$	植被年内变化的幅度(值越大表明植被年内变化越大)
$\begin{matrix} t_{\max} \end{matrix}$	与D₄成分相关的最大NDVI值出现的时间	最大NDVI值出现的日期
$\begin{matrix} Q \end{matrix}$	使用森氏方法求取A₅成分的变化率	土地覆盖变化的量级

新窗口打开

第二步,从已分解的序列数据中获取5个不同的NDVI关键特征： $\begin{matrix} \bar{NDVI} \end{matrix}$ , $\begin{matrix} NDV I_{\min} \end{matrix}$ , $\begin{matrix} ΔNDVI \end{matrix}$ , $\begin{matrix} t_{\max} \end{matrix}$ 和 $\begin{matrix} Q \end{matrix}$ 。其中,前4个指标与植被的物候特征相关（表2）,第5个指标 $\begin{matrix} Q \end{matrix}$ 用来衡量地表覆盖变化的量级并且其主要与年际变化相关。各关键特征求取的公式以及各自所代表的意义如表2。这些所求取的关键特征对正确进行植被动态评估有着如下潜在的作用。其中, $\begin{matrix} \bar{NDVI} \end{matrix}$ 是所分析时间范围内植被均值指示器,能反映出洞庭湖流域在研究时间范围内的植被量分布状况。 $\begin{matrix} NDV I_{\min} \end{matrix}$ 反映了流域内NDVI的最低水平。 $\begin{matrix} ΔNDVI \end{matrix}$ 是年物候周期的幅度,能够体现出不同区域的植被年内变化幅度,其求值经过异常值处理。 $\begin{matrix} t_{\max} \end{matrix}$ 是最大NDVI值出现的时间,可以区分植被动态变化中的各个阶段,由 $\begin{matrix} t_{\max} \end{matrix}$ 可以清楚分辨出区域中植被变化周期内的主要植被成分,因为它与每一种植被覆盖的物候周期相关。 $\begin{matrix} Q \end{matrix}$ 是年际成分的趋势,用来衡量土地覆盖变化的量级,可以作为评价研究时间段内净变化的一个好的近似值,该值采用森氏斜率（Sen's Slope）进行计算。森氏斜率能够避免时间序列数据缺失以及数据分布形态对分析结果的影响,并且能够剔除异常值对时间序列的干扰^[20],在时间序列的趋势分析中有较优越的表现。森氏斜率的计算公式为：

$\begin{matrix} Q = median \frac{(x_{j} - x_{i})}{j - i}, 1 < i < j < n \end{matrix}$ （9）

式中： $\begin{matrix} Q \end{matrix}$ 是森氏斜率; $\begin{matrix} x_{j} \end{matrix}$ 和 $\begin{matrix} x_{i} \end{matrix}$ 分为j时刻和i时刻的序列值。如果变化率 $\begin{matrix} Q > 0 \end{matrix}$ ,则时序数据呈上升趋势,反之呈下降的趋势。然而,变化率具有一定的不确定性,这是因为其部分依赖于数据离差,趋势的识别可以通过减少离差进行改善。因此,趋势分析是在年际成分上执行,不受季节性变化所产生的“噪声”的影响。

森氏斜率是经过计算序列的中值得到的,它可以很好的减少噪声的干扰,但其本身不能实现序列趋势显著性判断,而Mann-Kendall方法对序列分布无要求且对异常值不敏感,因此引入该方法可完成对序列趋势显著性检验^[21]。该方法根据时间序列长度n值大小的不同,显著性检验统计量的选取有所不同,当 $\begin{matrix} n \geq 10 \end{matrix}$ 时,统计量近似服从标准正态分布,使用检验统计量 $\begin{matrix} Z \end{matrix}$ 进行双边趋势检验,在给定的显著性水平 $\begin{matrix} α \end{matrix}$ 下,在正态分布表中查得临界值 $\begin{matrix} Z_{1 - a / 2} \end{matrix}$ ,当 $\begin{matrix} |Z| \leq Z_{1 - a / 2} \end{matrix}$ 时趋势不显著;若 $\begin{matrix} |Z| > Z_{1 - a / 2} \end{matrix}$ 则认为趋势显著。本文中时间序列长度为13（2001-2013年）,取显著水平a = 0.05,则 $\begin{matrix} Z_{1 - a / 2} \end{matrix}$ = $\begin{matrix} Z_{0.975} \end{matrix}$ =1.96, $\begin{matrix} |Z| \leq 1.96 \end{matrix}$ 时趋势不显著;若 $\begin{matrix} |Z| > 1.96 \end{matrix}$ 则认为趋势显著。

第三步,理解土地覆盖变化的原因。采用 $\begin{matrix} Q \end{matrix}$ 与标准化降水指数（SPI）^[22-24]趋势相结合进行分析,可以得到土地覆盖变化的部分可能原因。

5 结果分析

5.1 所选植被覆盖的细节分析

本文主要选取了洞庭湖区周围的杨树、灌木、草地、南荻、水草5种植被覆盖所在像元的NDVI序列作MRA分析。5种所选植被覆盖的年内成分（ $\begin{matrix} V \end{matrix}$ ）序列显示了植被覆盖的年内细节变化,并可看出所选植被类型都存在季节性变化特征。杨树（图3a,岸边夹杂芦苇）与图2一样代表了最显著的季节性特征,在4月中旬和8月中旬出现了两个最大值,冬天出现最小值。灌木（图3b）显示了较低的年内变化以及明显的季节性变化。草地（图3c,主要是环草）、南荻（图3d）、水草（图3e）显示年内变化较大且也具有明显的季节性变化,但不同年份内细节变化特征规律不明显。由图3可见年内成分 $\begin{matrix} V \end{matrix}$ 的值域范围是水草（-1.4~1.4）最大,南狄（-1.3~1.0）和草地（-1.1~0.7）次之,灌木（-0.8~0.4）和杨树（-0.6~0.3）最小。水草年内成分 $\begin{matrix} V \end{matrix}$ 值域最大,说明其年内变化细节总和最大,即其在各时间尺度上细节成分变幅最大,因此进一步验证该植被细节变化较无规律,细节变化特征相对不明显;而杨树和灌木年内变化值域较小说明其在多尺度分解过程中产生的细节特征总和变幅较小,因此细节变化特征较明显。草地和南荻的细节特征变化情况介于水草和杨树、灌木之间,细节成分变幅较大,具有相对明显的细节特征。

显示原图| 下载原图ZIP| 生成PPT

图3 所选植被覆盖NDVI的年内成分V(虚线)和年际成分A₅(实线)的比较

Fig. 3 Comparison of the intra-annual component V (dashed line) and the inter-annual component A₅ (bold line) of NDVI time series for the selected vegetation canopies

如上面所提到的,年际成分序列描述了研究期内植被的年际变化情况。年际成分（A₅）其值域范围随植被不同而不同,图3中杨树（图3a）A₅值域范围为0.4~0.6、灌木（图3b）为0.5~0.6、草地（图3c）为0.3~0.6、南荻（图3d）为0.5~0.7及水草（图3e）为0.0~0.5,因此可以看出灌木的年际变化最小,而杨树、草地和南荻的年际变化相对较小,水草的年际变化最大。其中南荻（图3d）显示出与草地（图3c）相似的年际变化趋势。进一步分析草地植被（图3c）和南荻（图3d）在2007-2009年间有过一次大幅度的减少,之后又恢复到正常水平。这可能是由于2007年下半年爆发鼠灾^[25],田鼠啃食草的籽实和根茎,导致这一时间段内草地覆盖显著减少。水草（图3e,蒿草和大量水葫芦）受洞庭湖流域水位深度影响较大,在研究时间范围内变化较无规律,其在2002、2006、2009和2012年均有过比较明显的减少迹象。

表3 所选植被覆盖的5个NDVI特征量值列表

Tab. 3 Numerical values for the 5 NDVI key features for the selected vegetation canopies

植被类型	$\begin{matrix} \bar{NDVI} \end{matrix}$	$\begin{matrix} NDV I_{\min} \end{matrix}$	$\begin{matrix} ΔNDVI \end{matrix}$	$\begin{matrix} t_{\max} \end{matrix}$	$\begin{matrix} Q \end{matrix}$
杨树	0.55	0.12	11	7	-0.13
灌木	0.53	0.34	4	8	-0.31
草地	0.40	0.04	10	3	-0.29
南荻	0.57	0.31	8	7	-0.37
水草	0.32	0.07	8	7	1.50

注： $ΔNDVI$ 的值为分级后的值,范围为1~11,值越大说明年内变化幅度越大。

新窗口打开

进一步对所选植被覆盖NDVI的5个特征量（表3）进行分析,可得出杨树、灌木和南狄的 $\begin{matrix} \bar{NDVI} \end{matrix}$ 较高,草地次之,水草最小。草地、水草 $\begin{matrix} NDV I_{\min} \end{matrix}$ 最低,杨树次之,灌木和南狄 $\begin{matrix} NDV I_{\min} \end{matrix}$ 最高。杨树年内变化幅度最大,草地年内变化幅度较大,南狄、水草次之,灌木最小。草地的最大NDVI值出现在3月,杨树,南狄,水草出现在7月,灌木出现在8月。由 $\begin{matrix} Q \end{matrix}$ 可知杨树,灌木,草地,南狄在所研究的时段内呈减少趋势,而水草呈增加趋势,但趋势均不显著。

综合可知,杨树具有较高的 $\begin{matrix} \bar{NDVI} \end{matrix}$ ,较小的 $\begin{matrix} NDV I_{\min} \end{matrix}$ ,以及非常高的 $\begin{matrix} ΔNDVI \end{matrix}$ ,其植被覆盖水平高,季节性特征明显,NDVI年内变化幅度最大;灌木具有较大 $\begin{matrix} \bar{NDVI} \end{matrix}$ ,较大 $\begin{matrix} NDV I_{\min} \end{matrix}$ ,以及最小的 $\begin{matrix} ΔNDVI \end{matrix}$ ,其植被覆盖水平高,季节特征较明显,NDVI年内变化幅度最小;南荻具有最高的 $\begin{matrix} \bar{NDVI} \end{matrix}$ ,较大的 $\begin{matrix} NDV I_{\min} \end{matrix}$ ,较大的 $\begin{matrix} ΔNDVI \end{matrix}$ ,其植被覆盖水平最高,季节性变化特征相对明显,且NDVI年内变化幅度很大。草地 $\begin{matrix} \bar{NDVI} \end{matrix}$ 较小, $\begin{matrix} NDV I_{\min} \end{matrix}$ 最小, $\begin{matrix} ΔNDVI \end{matrix}$ 较大,其植被覆盖水平较低,季节性变化特征相对明显,NDVI年内变化幅度较大;水草 $\begin{matrix} \bar{NDVI} \end{matrix}$ 最小, $\begin{matrix} NDV I_{\min} \end{matrix}$ 很小, $\begin{matrix} ΔNDVI \end{matrix}$ 较大,其植被覆盖水平最低,季节变化特征不明显,NDVI年内变化幅度较大。

5.2 NDVI特征图像分析

根据方法的第二步,应用MRA到每个像元上,计算出洞庭湖流域植被NDVI的五个关键特征量并绘制出分布图（图4）,展示了洞庭湖流域植被 $\begin{matrix} \bar{NDVI} \end{matrix}$ （图4a）, $\begin{matrix} NDV I_{\min} \end{matrix}$ （图4b）, $\begin{matrix} ΔNDVI \end{matrix}$ （图4c）, $\begin{matrix} t_{\min} \end{matrix}$ （图4d）,和 $\begin{matrix} Q \end{matrix}$ （图4e）的空间分布,表明所考虑的关键特征在区域上具有空间一致性。

显示原图| 下载原图ZIP| 生成PPT

图4 洞庭湖流域植被 $NDVI ¯$ (a), $NDV I min$ (b), $ΔNDVI$ (c), $t min$ (d), $Q$ (e)的空间分布

Fig. 4 Spatial distribution of the $NDVI ¯$ (a), $NDV I min$ (b), $ΔNDVI$ (c), $t min$ （d）, $Q$ (e) of vegetation in Dongting Lake Basin

洞庭湖流域内植被覆盖量较高,除去洞庭湖周边、湘资沅澧四水以及部分城市地区,大部分区域NDVI均值均在0.4以上（图4a）。其中以流域东部以及西北部地区NDVI均值最高,湖区NDVI均值最低。流域内求得的最小NDVI水平也具有与 $\begin{matrix} \bar{NDVI} \end{matrix}$ 相一致的空间分布（图4b）。洞庭湖湖体及四水周边地区的植被年内变化幅度小（图4c）。一些远离水源的山地中部地区以及城市所在地也表现出植被变化幅度较小的现象,这与山地干旱区以及城市建设区本身植被覆盖量较少有关。而植被年内变化幅度大的区域主要是一些农作物和林地分布区。另外,由NDVI年内变化幅度图像还能观察出流域内旱地和水田的分布,由于MODIS数据的分辨率因素影响,本文暂不详细讨论此分布现象。

流域内90%地区的NDVI最大值都出现在7月到9月之间（图4d）。结合本流域的欧空局全球陆地覆盖数据（Globcover2009_V2.3_Global）以及流域DEM统计分析,发现最大值出现在夏季的较为普遍,而这些地区主要是分布着水浇耕地,为农作物覆盖区域。最大值出现在春季冬季的区域主要是海拔较低的流域北部湖区,NDVI最大值出现在春季主要是水体覆盖和水浇耕地覆盖区域,而最大值出现在冬季主要的地方主要覆盖水体、常绿针叶阔叶林以及混合灌木草本植被。另外也有很多地区NDVI最大值出现在秋季,这可能与当地覆盖有大片林地或草地有关,其中东南部以及西北部一些海拔较高地区常覆盖有山地常绿针叶林。

对比观察图4a~4d的4张子图,以及在相同区域上的NDVI关键特征的变化情况,可以发现4张图均表现出很强的区域一致性。

全区域内土地覆盖变化的量级为经检验统计量Z计算方法标准化处理后的 $\begin{matrix} Q \end{matrix}$ 值, $\begin{matrix} Q \end{matrix}$ 值从-14.38到18.85变化（图4e）,负值表明NDVI值在时间跨度内表现为减少趋势,其中 $\begin{matrix} Q < - 1.96 \end{matrix}$ 的区域为NDVI值有显著减少, $\begin{matrix} - 1.96 < Q < 0 \end{matrix}$ 则表明NDVI值减少不显著; $\begin{matrix} 0 < Q < 1.96 \end{matrix}$ 表明区域内NDVI值增加,但不显著, $\begin{matrix} Q > 1.96 \end{matrix}$ 则是NDVI值增加显著。可以看出整个研究区域内大部分植被覆盖变化趋势不显著,经统计,其中具有不显著减少趋势的范围占流域总面积40.5%,不显著增加趋势范围占比49.3%。植被覆盖显著减少的区域主要集中在洞庭湖流域的东部、东南部一些地区,占比5.2%。而植被覆盖显著增加的区域主要是西北部和南部一些区域,占比5%。

5.3 NDVI与SPI相关性分析

本文也利用月降水数据分析了植被变化与降水的关系,并采用标准化降水指数（SPI）来表达降水的变化。首先计算出降水在三个月尺度下的标准化降水指数,并将该指数进行最小二乘拟合,得到三个月尺度SPI的变化斜率。然后,将各个站点的变化斜率在洞庭湖流域范围内进行反距离权重（IDW）插值,得到该流域SPI的趋势分布（图5）。

显示原图| 下载原图ZIP| 生成PPT

图5 洞庭湖流域SPI趋势分布

Fig. 5 Spatial distribution of SPI trend in Dongting Lake Basin

降水量减少的区域主要是洞庭湖流域北部（图5）,以及其向东南方向延伸至中部的部分地区,西北部分地区降水量也有减少趋势,但没有北部面积大,另外中部和东南部一些地区也有少量减少;而降水量增加的区域集中流域南部、西部和西北部。其中以吉首、沅陵、黄平、台江、凯里、道县、平江周边增加最为明显。其他区域降水量几乎无变化。

根据对图4e和图5的综合分析,可以发现植被覆盖的变化与降水变化有明显的关联性,并且洞庭湖流域西部地区和西北部地区植被动态变化对降水响应最为明显。其中,西部部分地区SPI有明显减少,主要处在湖南和贵州的交界附近,海拔较高,植被减少主要因素可能为降水较少导致土地缓慢退化因此植被减少。相反的,西北部地区降水量大面积明显增加,直接导致这些区域植被覆盖度大面积增加。南部永兴、资兴、郴州、常宁附近地区虽然降水无明显减少,但是这些区域也有植被覆盖减少的现象,这些地区海拔也较高,植被减少因素可能与人为因素等其他因素有关。从图4e可看出,植被覆盖减少明显的区域还包括东北部地区,主要是公安、常德澧县、津市、临澧等周边地区和长株潭地区,结合图5可以发现,公安及常德市周边地区以及长株潭大部分区域植被减少主要是因为降水量减少,而长株潭地区中长沙县和浏阳县大部分区域降水量无明显变化,植被减少的原因可能与城市化建设有关。植被覆盖增加的区域还包括中部和南部的一些地区,这些地区植被覆盖增加与降水量增加有关。

6 结论

采用小波多分辨率分析对洞庭湖流域2001-2013年取样间隔为16天的MODIS NDVI影像数据序列进行了多尺度分解,将原始序列分解成了能够反映植被覆盖年际变化的近似信息和植被覆盖年内变化的细节信息,并派生出洞庭湖流域内植被NDVI的5个关键特征量,通过这些数据评估分析了该流域植被覆盖的多尺度动态变化。结果表明：

（1）通过对流域内5种不同植被类型NDVI时间序列进行小波多分辨率分析,方法可以有效揭示不同植被的年际和年内的动态变化特征。

（2）流域植被NDVI的5个关键特征量表现出了很强的区域一致性,这些关键特征量有效刻画了流域内植被覆盖的时空变化特征。流域内NDVI最大值主要出现在夏季,植被覆盖年内变化幅度主要与地表覆盖类型有关。洞庭湖周边、湘资沅澧四水植被覆盖度最低且植被年内变化幅度最小;部分城市地区植被覆盖度低,植被年内变化幅度小;流域东部以及西北部地区植被覆盖度最高,其中农作物以及落叶林地分布区植被覆盖年内变化幅度大。

（3）流域植被覆盖的变化与降水变化有明显的关联性,西部地区和西北部地区植被动态变化对降水响应最为明显。但是有些地区降水没有明显减少,而植被覆盖却在减少,其可能与该地地势较高、城镇化建设等其他因素相关。

此外,对NDVI数据采用MRA分析可以获取不同时间尺度下的植被物候特征信息,因而可以进行不同地物和不同植被类型的准确划分,但是由于本文所采用的MODIS数据空间分辨率限制,暂未做这项工作,在以后的研究中可以考虑使用其他类型的影像数据与该数据进行融合,准确区分各植被类型,以进一步研究植被动态变化的模式特征与物候学方面的联系;并且本文对植被动态变化的驱动力因素分析时仅仅考虑了地形海拔、降水、不同植被覆盖类型等因子,今后可以进一步综合考虑气候、地形或经济政策等方面的影响。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	Tian Qingjiu, Min Xiangjun. Advances in study on vegetation indices . Advance in Earth Sciences, 1998, 13(4): 327-333. [本文引用: 1] [田庆久, 闵祥军. 植被指数研究进展 . 地球科学进展, 1998, 13(4): 327-333.] [本文引用: 1]
[2]	Gu Juan, Li Xin, Huang Chunlin. Land cover classification based on time-series MODIS NDVI data in Heihe River Basin . Advance in Earth Sciences, 2010, 25(3): 317-326. [本文引用: 1] [顾娟, 李新, 黄春林. 基于时序MODIS NDVI的黑河流域土地覆盖分类研究 . 地球科学进展, 2010, 25(3): 317-326.] [本文引用: 1]
[3]	James M E, Kalluri S N V. Pathfinder AVHRR land data set: An improved coarse resolution data set for terrestrial monitoring . International Journal of Remote Sensing, 1994, 15(17): 3347-3363. [本文引用: 1]
[4]	Loveland T R, Reed B C, Brown J F, et al. Development of a global land cover characteristics database and IGBPDIS Cover from 1 km AVHRR data . International Journal of Remote Sensing, 2000, 21(6/7): 1303-1330.
[5]	Telesca L, Lasaponara R. Quantifying intra-annual persistent behavior in SPOT-VEGETATION NDVI data for Mediterranean eco-systems of southern Italy . Remote Sensing of Environment, 2006, 101: 95-103.
[6]	Ross S L, Joseph F K, Jayantha E, et al. Land-cover change detection using multi-temporal MODIS NDVI data . Remote Sensing Environment, 2006, 105: 142-154.
[7]	Wardlow B D, Egbert S L, Kastens J H. Analysis of time-series MODIS 250 m vegetation index data for crop classification in the US Central Great Plain . Remote Sensing of Environment, 2007, 108: 290-310.
[8]	Defries R S, Townshend J R G. NDVI-derived land-cover classifications at a global-scale . International Journal of Remote Sensing, 1994, 15(17): 3567-3586.
[9]	Liu Xianfeng, Ren Zhiyuan, Lin Zhihui, et al. The spatial-temporal changes of vegetation coverage in the Three-River Headwater Region in recent 12 years . Acta Geographica Sinica, 2013, 68(7): 897-908. [刘宪锋, 任志远, 林志慧, 等. 2000-2011年三江源区植被覆盖时空变化特征 . 地理学报, 2013, 68(7): 897-908.]
[10]	Song Fuqiang, Xing Kaixiong, Liu Yang, et al. Monitoring and assessment of vegetation variation in northern Shaanxi based on MODIS/NDVI . Acta Ecologica Sinica, 2011, 31(2): 354-363. [本文引用: 1] [宋富强, 邢开雄, 刘阳, 等. 基于MODIS/NDVI的陕北地区植被动态监测与评价 . 生态学报, 2011, 31(2): 354-363.] [本文引用: 1]
[11]	Beatriz Martínez, María Amparo Gilabert. Vegetation dynamics from NDVI time series analysis using the wavelet transform . Remote Sensing of Environment, 2009, 113: 1823-1842. [本文引用: 1]
[12]	Song Tao. Research on the vegetation cover change based on wavelet transform [D]. Fuzhou: Fujian Normal University, 2011. [本文引用: 1] [宋涛. 基于小波变换的植被覆盖变化研究 [D]. 福州: 福建师范大学, 2011.] [本文引用: 1]
[13]	Deng Fan, Wang Xuelei, Li Enhua, et al. Dynamics of Lake Dongting wetland from 1993 to 2010 . Journal of Lake Sciences, 2012, 24(4): 571-576. [本文引用: 1] [邓帆, 王学雷, 厉恩华, 等. 1993-2010年洞庭湖湿地动态变化 . 湖泊科学, 2012, 24(4): 571-576.] [本文引用: 1]
[14]	Jiang Weiguo, Hou Peng, Zhu Xiaohua, et al. Analysis of vegetation response to rainfall with satellite images in Dongting Lake . Journal of Geographical Sciences, 2011, 21(1): 135-149. [本文引用: 1]
[15]	Wang Guojie, Jiang Tong, Wang Yanjun, et al. Characteristics of climate change in the Lake Donting Basin (1961-2003) . Journal of Lake Sciences, 2006, 18(5): 470-475. [本文引用: 1] [王国杰, 姜彤, 王艳君, 等. 洞庭湖流域气候变化特征(1961-2003) . 湖泊科学, 2006, 18(5): 470-475.] [本文引用: 1]
[16]	Zhou Heping, Yin Jianjun, Xiao Songcheng. Effects of land use and cover on the soil and water erosion in the Dongting Lake Basin . Journal of Water Resources & Water Engineering, 2008, 19(6): 45-48. [本文引用: 1] [周和平, 尹建军, 肖送成. 土地利用/覆盖对洞庭湖流域水土流失的影响 . 水资源与水工程学报, 2008, 19(6): 45-48.] [本文引用: 1]
[17]	Li Miao, Xia Jun, Chen Sheming, et al. Wavelet analysis on annual precipitation around 300 years in Beijing area . Journal of Natural Resources, 2011, 26(6): 1001-1011. [本文引用: 1] [ 李淼, 夏军, 陈社明, 等. 北京地区近300年降水变化的小波分析 .自然资源学报, 2011, 26(6): 1001-1011.] [本文引用: 1]
[18]	Sang Yanfang, Wang Zhonggen, Liu Changming. Applications of wavelet analysis to hydrology: Status and prospects . Progress in Geography, 2013, 32(9): 1413-1422 [桑燕芳, 王中根, 刘昌明. 小波分析方法在水文学研究中的应用现状及展望 . 地理科学进展, 2013, 32(9): 1413-1422.]
[19]	Ma Tao, Li Fei, Yue Jianli. Application of wavelet analysis in geophysics and geodesy . Progress in Geophysics, 2003, 18(1): 49-52. [本文引用: 1] [马涛, 李斐, 岳建利. 小波分析在地球物理及大地测量中的应用 . 地球物理学进展, 2003, 18(1): 49-52.] [本文引用: 1]
[20]	Yin He, Li Zhengguo, Wang Yanglin, et al. Assessment of desertification using time series analysis of hyper-temporal vegetation indicator in Inner Mongolia . Acta Geographica Sinica, 2011, 66(5): 653-661. [本文引用: 1] [殷贺, 李正国, 王仰麟, 等. 基于时间序列植被特征的内蒙古荒漠化评价 . 地理学报, 2011, 66(5): 653-661.] [本文引用: 1]
[21]	Wang Dianlai, Liu Wenping, Huang Xinyuan. Trend analysis in vegetation cover in Beijing based on Sen+Mann-Kendall method . Computer Engineering and Applications, 2013, 49(5): 13-17. [本文引用: 1] [王佃来, 刘文萍, 黄心渊. 基于Sen+Mann-Kendall的北京植被变化趋势分 . 计算机工程与应用, 2013, 49(5): 13-17. ] [本文引用: 1]
[22]	McKee T B, Doesken N J, Kleist J. The relationship of drought frequency and duration to time scales. Anaheim, California: Eighth Conference on Applied Climatology. American Meteorological Society . Boston, 1993: 179-184. [本文引用: 1]
[23]	Yuan Yun, Li Dongliang, An Di. Winter aridity division in China based on standardized precipitation index and circulation characteristics . Journal of Desert Research, 2010, 30(4): 917-925. [袁云, 李栋梁, 安迪. 基于标准化降水指数的中国冬季干旱分区及气候特征 . 中国沙漠, 2010, 30(4): 917-925.]
[24]	Yang Xiaojing, Zuo Depeng, Xu Zongxue. Characteristics of droughts and floods analyzed using the standardized precipitation index in Yunnan Province during the past 55 years . Resources Science, 2014, 36(3): 473-480. [本文引用: 1] [杨晓静, 左德鹏, 徐宗学. 基于标准化降水指数的云南省近55年旱涝演变特征 . 资源科学, 2014, 36(3): 473-480.] [本文引用: 1]
[25]	Li Jingbao, Zhou Heping, Zhou Liang, et al. Effects by silt process on Microtus fortis calam orum population trends and complex calamities of Dongting Lake . Journal of Natural Disasters, 2008, 17(4): 99-104. [本文引用: 1] [李景保, 周和平, 周亮, 等. 水沙过程对洞庭湖区东方田鼠种群动态及群发致害的影响 . 自然灾害学报, 2008, 17(4): 99-104.] [本文引用: 1]

植被指数研究进展

1998

... 在自然和人文因素的影响下,陆地生态系统在时间和空间尺度下都持续不断的发生变化.植被是生态系统的重要组成部分,植被覆盖变化的水平能反映区域性生态环境状况.植被指数是表征地表植被特征的重要参量,携带了丰富的地表植被结构、功能信息^[1].而归一化植被指数（NDVI）是植被生长状态及植被覆盖度的最佳指示因子,其时序数据也已成为基于生物气候特征开展大区域植被和土地覆盖分类的基本手段^[2].国内外学者已将时序NDVI数据成功的应用在植被动态变化监测和植被分类研究中^[3-10],研究的重心集中在植被动态变化及其与气候等相关因素的关系,并且关注不同时空尺度下植被变化的情况. ...

植被指数研究进展

1998

基于时序MODIS NDVI的黑河流域土地覆盖分类研究

2010

基于时序MODIS NDVI的黑河流域土地覆盖分类研究

2010

Kalluri S N V. Pathfinder AVHRR land data set: An improved coarse resolution data set for terrestrial monitoring

1994

Development of a global land cover characteristics database and IGBPDIS Cover from 1 km AVHRR data

2000

Quantifying intra-annual persistent behavior in SPOT-VEGETATION NDVI data for Mediterranean eco-systems of southern Italy

2006

Land-cover change detection using multi-temporal MODIS NDVI data

2006

Analysis of time-series MODIS 250 m vegetation index data for crop classification in the US Central Great Plain

2007

Townshend J R G. NDVI-derived land-cover classifications at a global-scale

1994

2000-2011年三江源区植被覆盖时空变化特征

2013

2000-2011年三江源区植被覆盖时空变化特征

2013

基于MODIS/NDVI的陕北地区植被动态监测与评价

2011

基于MODIS/NDVI的陕北地区植被动态监测与评价

2011

Vegetation dynamics from NDVI time series analysis using the wavelet transform

2009

... 近年来,随着小波理论的发展成熟,基于小波分析具有多分辨率分析的能力,已有学者开始将该理论和方法应用到NDVI时序数据的应用研究中.国内外学者对小波变换的多尺度分析理论在监测植被动态变化中的作用进行了论证,发现对一组NDVI时间序列进行小波分析,能挖掘出年内植被动态变化的关键特征,而且这些特征主要与植被覆盖类型有关,而年际植被动态变化也呈现一定趋势,这些趋势往往与土地覆盖变化相关.其中Martínez和Gilabert还将所得的土地覆盖变化量级与降水量数据进行结合,用于解释观测到的土地覆盖变化和确定那些与土地退化相关联的细微土地覆盖变化^[11].宋涛采用基于小波变换的植被动态分析对福州市10年时间尺度上的植被覆盖变化进行了研究,利用小波特征量方法分析得到了不同植被覆盖类型的植被覆盖变化情况^[12].应用小波变换对归一化植被指数进行动态分析,在高分辨率下,可以得到不同植被的季节性变化特征,在低分辨率下,可以得到土地覆盖变化. ...

基于小波变换的植被覆盖变化研究

2011

基于小波变换的植被覆盖变化研究

2011

1993-2010年洞庭湖湿地动态变化

2012

... 国内学者对于洞庭湖流域的研究较多,涉及到洞庭湖湿地^[13-14]、生物、气候及灾害性天气^[15]、水沙、生态安全等各方面.但是关于整个洞庭湖流域植被动态分析的报道较少,且尚未见应用离散小波变换于洞庭湖流域植被动态多分辨率分析的相关文献.本文应用小波变换分解洞庭湖流域2001-2013年取样间隔为16天的MODIS NDVI数据序列,并进行植被动态多分辨率分析,不仅能在时间大尺度范围内观察洞庭湖流域土地覆盖变化情况,还能在时间小尺度范围内监测流域内植被季节性变化,并且结合流域内降水数据分析植被变化的可能原因,可为洞庭湖流域的社会经济发展和生态环境建设提供重要的依据. ...

1993-2010年洞庭湖湿地动态变化

2012

Analysis of vegetation response to rainfall with satellite images in Dongting Lake

2011

洞庭湖流域气候变化特征(1961-2003)

2006

洞庭湖流域气候变化特征(1961-2003)

2006

土地利用/覆盖对洞庭湖流域水土流失的影响

2008

... 洞庭湖流域总面积26.3万 km²,除包括洞庭湖区外,还包括湘、资、沅、澧四水,覆盖湖南省大部分和湖北、广西、贵州、重庆部分地区（图1）.在景观、气候条件和地貌上具有异质性特点,很适合采用遥感手段研究.地形在每个地区的气候中起着重要的作用,洞庭湖流域东南西三面环山,向北开口,构成独特的“马蹄形”格局,地形海拔从-26 m到2558 m,地貌形态复杂多样,主要的土地利用类型是耕地、荒山地、林地、非农业用地、草地、滩涂用地、园地、水域等8大类型^[16];流域地处东南季风和西北季风交绥地带,属于典型的亚热带季风气候区,气候温暖湿润.洞庭湖流域全区域共有27个气象站点（图1）. ...

土地利用/覆盖对洞庭湖流域水土流失的影响

2008

北京地区近300年降水变化的小波分析

2011

... 小波变换（WT）是一种在时频域内进行多分辨率分析的方法,已广泛应用于气象、水文及地球物理等领域^[17-19].小波变换的基本思想是用一组基函数把信号分解成了不同时间尺度的子信号.这组基函数

\begin{matrix} {{ψ_{a}}_{,}_{}_{b} (t)} \end{matrix}

由一个母小波函数

\begin{matrix} ψ （ t ） \end{matrix}

进行伸缩和平移而生成,即： ...

北京地区近300年降水变化的小波分析

2011

\begin{matrix} {{ψ_{a}}_{,}_{}_{b} (t)} \end{matrix}

由一个母小波函数

\begin{matrix} ψ （ t ） \end{matrix}

进行伸缩和平移而生成,即： ...

小波分析方法在水文学研究中的应用现状及展望

2013

小波分析方法在水文学研究中的应用现状及展望

2013

小波分析在地球物理及大地测量中的应用

2003

\begin{matrix} {{ψ_{a}}_{,}_{}_{b} (t)} \end{matrix}

由一个母小波函数

\begin{matrix} ψ （ t ） \end{matrix}

进行伸缩和平移而生成,即： ...

小波分析在地球物理及大地测量中的应用

2003

\begin{matrix} {{ψ_{a}}_{,}_{}_{b} (t)} \end{matrix}

由一个母小波函数

\begin{matrix} ψ （ t ） \end{matrix}

进行伸缩和平移而生成,即： ...

基于时间序列植被特征的内蒙古荒漠化评价

2011

... 第二步,从已分解的序列数据中获取5个不同的NDVI关键特征：

\begin{matrix} \bar{NDVI} \end{matrix}

\begin{matrix} NDV I_{\min} \end{matrix}

\begin{matrix} ΔNDVI \end{matrix}

\begin{matrix} t_{\max} \end{matrix}

和

\begin{matrix} Q \end{matrix}

.其中,前4个指标与植被的物候特征相关（表2）,第5个指标

\begin{matrix} Q \end{matrix}

用来衡量地表覆盖变化的量级并且其主要与年际变化相关.各关键特征求取的公式以及各自所代表的意义如表2.这些所求取的关键特征对正确进行植被动态评估有着如下潜在的作用.其中,

\begin{matrix} \bar{NDVI} \end{matrix}

是所分析时间范围内植被均值指示器,能反映出洞庭湖流域在研究时间范围内的植被量分布状况.

\begin{matrix} NDV I_{\min} \end{matrix}

反映了流域内NDVI的最低水平.

\begin{matrix} ΔNDVI \end{matrix}

是年物候周期的幅度,能够体现出不同区域的植被年内变化幅度,其求值经过异常值处理.

\begin{matrix} t_{\max} \end{matrix}

是最大NDVI值出现的时间,可以区分植被动态变化中的各个阶段,由

\begin{matrix} t_{\max} \end{matrix}

可以清楚分辨出区域中植被变化周期内的主要植被成分,因为它与每一种植被覆盖的物候周期相关.

\begin{matrix} Q \end{matrix}

是年际成分的趋势,用来衡量土地覆盖变化的量级,可以作为评价研究时间段内净变化的一个好的近似值,该值采用森氏斜率（Sen's Slope）进行计算.森氏斜率能够避免时间序列数据缺失以及数据分布形态对分析结果的影响,并且能够剔除异常值对时间序列的干扰^[20],在时间序列的趋势分析中有较优越的表现.森氏斜率的计算公式为： ...

基于时间序列植被特征的内蒙古荒漠化评价

2011

... 第二步,从已分解的序列数据中获取5个不同的NDVI关键特征：

\begin{matrix} \bar{NDVI} \end{matrix}

\begin{matrix} NDV I_{\min} \end{matrix}

\begin{matrix} ΔNDVI \end{matrix}

\begin{matrix} t_{\max} \end{matrix}

和

\begin{matrix} Q \end{matrix}

.其中,前4个指标与植被的物候特征相关（表2）,第5个指标

\begin{matrix} Q \end{matrix}

\begin{matrix} \bar{NDVI} \end{matrix}

是所分析时间范围内植被均值指示器,能反映出洞庭湖流域在研究时间范围内的植被量分布状况.

\begin{matrix} NDV I_{\min} \end{matrix}

反映了流域内NDVI的最低水平.

\begin{matrix} ΔNDVI \end{matrix}

是年物候周期的幅度,能够体现出不同区域的植被年内变化幅度,其求值经过异常值处理.

\begin{matrix} t_{\max} \end{matrix}

是最大NDVI值出现的时间,可以区分植被动态变化中的各个阶段,由

\begin{matrix} t_{\max} \end{matrix}

可以清楚分辨出区域中植被变化周期内的主要植被成分,因为它与每一种植被覆盖的物候周期相关.

\begin{matrix} Q \end{matrix}

基于Sen+Mann-Kendall的北京植被变化趋势分

2013

... 森氏斜率是经过计算序列的中值得到的,它可以很好的减少噪声的干扰,但其本身不能实现序列趋势显著性判断,而Mann-Kendall方法对序列分布无要求且对异常值不敏感,因此引入该方法可完成对序列趋势显著性检验^[21].该方法根据时间序列长度n值大小的不同,显著性检验统计量的选取有所不同,当

\begin{matrix} n \geq 10 \end{matrix}

时,统计量近似服从标准正态分布,使用检验统计量

\begin{matrix} Z \end{matrix}

进行双边趋势检验,在给定的显著性水平

\begin{matrix} α \end{matrix}

下,在正态分布表中查得临界值

\begin{matrix} Z_{1 - a / 2} \end{matrix}

,当

\begin{matrix} |Z| \leq Z_{1 - a / 2} \end{matrix}

时趋势不显著;若

\begin{matrix} |Z| > Z_{1 - a / 2} \end{matrix}

则认为趋势显著.本文中时间序列长度为13（2001-2013年）,取显著水平a = 0.05,则

\begin{matrix} Z_{1 - a / 2} \end{matrix}

\begin{matrix} Z_{0.975} \end{matrix}

=1.96,

\begin{matrix} |Z| \leq 1.96 \end{matrix}

时趋势不显著;若

\begin{matrix} |Z| > 1.96 \end{matrix}

则认为趋势显著. ...

基于Sen+Mann-Kendall的北京植被变化趋势分

2013

\begin{matrix} n \geq 10 \end{matrix}

时,统计量近似服从标准正态分布,使用检验统计量

\begin{matrix} Z \end{matrix}

进行双边趋势检验,在给定的显著性水平

\begin{matrix} α \end{matrix}

下,在正态分布表中查得临界值

\begin{matrix} Z_{1 - a / 2} \end{matrix}

,当

\begin{matrix} |Z| \leq Z_{1 - a / 2} \end{matrix}

时趋势不显著;若

\begin{matrix} |Z| > Z_{1 - a / 2} \end{matrix}

则认为趋势显著.本文中时间序列长度为13（2001-2013年）,取显著水平a = 0.05,则

\begin{matrix} Z_{1 - a / 2} \end{matrix}

\begin{matrix} Z_{0.975} \end{matrix}

=1.96,

\begin{matrix} |Z| \leq 1.96 \end{matrix}

时趋势不显著;若

\begin{matrix} |Z| > 1.96 \end{matrix}

则认为趋势显著. ...

The relationship of drought frequency and duration to time scales. Anaheim, California: Eighth Conference on Applied Climatology. American Meteorological Society

1993

... 第三步,理解土地覆盖变化的原因.采用

\begin{matrix} Q \end{matrix}

与标准化降水指数（SPI）^[22-24]趋势相结合进行分析,可以得到土地覆盖变化的部分可能原因. ...

基于标准化降水指数的中国冬季干旱分区及气候特征

2010

基于标准化降水指数的中国冬季干旱分区及气候特征

2010

基于标准化降水指数的云南省近55年旱涝演变特征

2014

... 第三步,理解土地覆盖变化的原因.采用

\begin{matrix} Q \end{matrix}

与标准化降水指数（SPI）^[22-24]趋势相结合进行分析,可以得到土地覆盖变化的部分可能原因. ...

基于标准化降水指数的云南省近55年旱涝演变特征

2014

... 第三步,理解土地覆盖变化的原因.采用

\begin{matrix} Q \end{matrix}

与标准化降水指数（SPI）^[22-24]趋势相结合进行分析,可以得到土地覆盖变化的部分可能原因. ...

水沙过程对洞庭湖区东方田鼠种群动态及群发致害的影响

2008

... 如上面所提到的,年际成分序列描述了研究期内植被的年际变化情况.年际成分（A₅）其值域范围随植被不同而不同,图3中杨树（图3a）A₅值域范围为0.4~0.6、灌木（图3b）为0.5~0.6、草地（图3c）为0.3~0.6、南荻（图3d）为0.5~0.7及水草（图3e）为0.0~0.5,因此可以看出灌木的年际变化最小,而杨树、草地和南荻的年际变化相对较小,水草的年际变化最大.其中南荻（图3d）显示出与草地（图3c）相似的年际变化趋势.进一步分析草地植被（图3c）和南荻（图3d）在2007-2009年间有过一次大幅度的减少,之后又恢复到正常水平.这可能是由于2007年下半年爆发鼠灾^[25],田鼠啃食草的籽实和根茎,导致这一时间段内草地覆盖显著减少.水草（图3e,蒿草和大量水葫芦）受洞庭湖流域水位深度影响较大,在研究时间范围内变化较无规律,其在2002、2006、2009和2012年均有过比较明显的减少迹象. ...

水沙过程对洞庭湖区东方田鼠种群动态及群发致害的影响

2008

〈

〉

洞庭湖流域植被动态变化的小波多分辨率分析

Wavelet multi-resolution analysis of vegetation dynamic change in Dongting Lake Basin

1 引言

2 研究材料

2.1 研究区域概况

2.2 数据来源与预处理

3 理论基础

3.1 小波变换

3.2 多分辨率分析

4 实验过程

4.1 时序NDVI的MRA分析

4.2 方法

5 结果分析

5.1 所选植被覆盖的细节分析

5.2 NDVI特征图像分析

5.3 NDVI与SPI相关性分析

6 结论

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子