中国平潭岛植被覆盖的时空分析（1984-2017）及其变化驱动因素的模拟外文翻译资料

 2022-12-21 16:44:29

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

中国平潭岛植被覆盖的时空分析（1984-2017）及其变化驱动因素的模拟

Eshetu Shifaw1,2 · Jinming Sha1,3 · Xiaomei Li4 · Zhongcong Bao1 · Jianwan Ji1 · Bingchu Chen1

1 Department of GIS and Cartography, College of Geographical Science, Fujian Normal University, Fuzhou, China. 2 Bule Hora University, Bule Hora, Ethiopia . 3 China-Europe Center for Environment and Landscape Management, Fuzhou, China. 4 College of Environmental Science and Engineering, Fujian Normal University, Fuzhou, China

收稿日期：2018年3月3日/接受日期：2018年5月23日/在线发布日期：2018年6月6日

版权所有copy; Springer International Publishing AG, part of Springer Nature 2018

E-mail:Eshetu Shifaw eshetushifaw@yahoo.com Jinming Sha jmsha@fjnu.edu.cn Xiaomei Li lixiaomei@fjnu.edu.cn Zhongcong Bao odtptalg@gmail.com Jianwan Ji 1058978732@163.com Bingchu Chen 18659127382@163.com

摘要：本研究旨在利用1984、1996、2007和2017年四个时期的陆地卫星影像，结合物理和社会经济驱动因子，通过量化植被的绿度指数、变化幅度、过渡性质和破碎化程度来研究植被覆盖的动态。结果表明，近十年（2007-2017）植被覆盖度时空变化较大，总体上由平原向山区递增。平潭市植被覆盖类型以低植被覆盖为主（部分植被覆盖lt;50%，NDVIlt;0.3），但存在明显的时空变化。总体而言，林地增加了11.43%（3682公顷），灌木林地增加了0.28%（91公顷）。相比之下，草原面积减少了5.41%（1743公顷）。考虑所有植被类型，发现扩大的面积占植被覆盖变化的主导地位，净增幅为6.3％（2030公顷）。植被覆盖度的增加主要是由农田造成的。每种植被类型的景观格局显示不同时期的变化，并且一些指标与种类大小的变化具有不一致的趋势。一般来说，在研究期间斑块的形状复杂度、大小变异性和优势度降低，而破碎化程度增加。坡度、海拔高度、强风及政策等因素对植被覆盖度有积极影响。大多数社会经济变量在第一潜在因子中对林地（ ）和草地（-）都显示出显着的影响（投影中的变量重要性gt; 1），这在模型的变化中所占比例最大。利用若干指标及其变化图来获得植被变化的定量结果，将为全面了解植被覆盖变化和环境管理规划者的宝贵投入提供有价值的信息。

关键词：遥感、时空动态、植被覆盖、PLSR模型及其模拟

1 引言

植被是重要的土地资源之一，在生态安全中居于首位（Yang and Ge 2017）。植被覆盖度和生长状况是综合反映环境健康的重要指标(Xiao et al.2017)。鉴于过去几十年全球气候变化的累积影响，植被覆盖的作用及其变化变得越来越重要。从北方的针叶林到南方的热带雨林，中国是世界上植被种类最多的国家之一(Ren et al.2011b)。福建是中国四大植被省份之一，森林面积915万公顷，木材量达532.26m3(Ren et al.2011b)。近几十年来，植树种草极大地促进了该省植被覆盖的扩大(Ma et al.2013)。植被面积是评估气候变化和多种生态系统功能所广泛接受的机制（Kumar and Ghose 2017）。除了植被覆盖面积之外，其他景观变量如斑块的数量、空间分布和连通性水平也非常重要，并已得到广泛研究(Zhongxin and Xinshi 2000)。

中国处于亚热带，以其高度的生物多样性和作为特有物种保护区而闻名。然而，人类活动几乎破坏了福州所有的本土植物，植被覆盖的大部分林木为人工种植 (Yue et al.2014)。此外平潭岛是生态脆弱区(Wen et al.2015)。而植被在岛屿地区具有固沙、抗台风、改善小气候以及最终促进环境可持续性发展的特殊作用(Borsje et al.2011)。因此对植被时空动态变化及其驱动因素进行量化，对于了解植被覆盖变化、预测植被未来状况、土地保护措施效果以及制定科学的植被保护政策具有重要意义(Jiang et al.2015;Ren et al.2017)。中国不同地区有各种相关研究。 然而由于其复杂的景观和不同的气候条件以及世代交替的社会经济影响，很难推广(Pei et al.2018;Jiang et al.2015)。平潭岛与中国大部分地区不同，是一个相对封闭的地区，在过去几十年中经历了有限的人为干预，但最近投入巨资使其成为国际旅游景点和中国开放经济受益地区。这为研究植被覆盖动态变化及其驱动因子提供了一个理想的试验地，而这些驱动因子在以往的研究中都没有涉及。本研究的最终目标是更好地了解植被组成和空间动态的历史变化，以及可作为基线数据库的主要驱动因素。具体而言，我们的目标是：（1）绘制植被空间分布及其空间格局；（2）获取植被景观组成并追踪其时间动态；(3) 确定造成平潭岛植被覆盖变化的不同因素。

2 材料和方法

2.1 研究区域

平潭岛，又称海坛岛，是福建省最大的岛屿，也是中国第五大岛（北纬25°15′-25°45′，东经119°32′-120°06′E，图1），面积320.9 km2。这个站点在2001年被联合国教科文组织列入世界遗产暂定名录，并归入海坛风景区。旅游业是平潭经济的重要组成部分。2010年竣工的大桥进一步推动了海岛与大陆的联系，促进了当地的发展。该岛周围的大片海岸线已经经历了土地复垦，以及大规模的建筑和基础设施项目。这些快速变化使其成为研究土地利用和植被变化的理想场所。此外，为了吸引更多的海外游客，中国政府在2016年将其命名为平潭国际旅游岛。它现在是仅次于中国最南端的省份-海南的中国第二座国际旅游岛，。平潭还在建设中国最大的云计算中心，预计基础设施和经济都将持续增长。这为研究该岛的土地利用和植被变化以建立监测该岛未来发展的基线数据库提供了另一个理由。

图 1 基于09/05/2007获得的Landsat5-TM图像的研究区域的假彩色复合（RGB：B4，B3和B2）

平潭属亚热带湿润气候，冬暖夏热。由于陆上季风的影响，其湿度较高，年降水量从900-1200毫米不等。春天和初夏是降雨季节，秋天和初冬是一年中最干燥的时节。日平均气温从2月份的10.7℃变化到7月的27.8℃。由于平潭位于海上，其昼夜温度变化很小。平潭的地形包括平原、湖泊、海滩、山脉和丘陵，土壤类型为红土、风沙土和盐渍土（Wei et al.2014）。该岛植被属亚热带常绿阔叶林带，主要由次生植物（人工林）组成。主要树种有马尾松、杉木、竹子、木麻黄和灌木。沿海地区有少量的红树林和沙漠植被。农作物包括蔬菜、谷物作物和雨季花生种植，最近利用新建的堤坝和水坝发展了灌溉农业。

2.2 研究方法

2.2.1 数据采集

我们从中国科学院的地理空间数据云（http://www.gscloud.cn/）下载了总共4幅陆地卫星图像（TM and OLI）（path / row =118/42，云覆盖率小于5%）。数据涵盖了从1984年到2017年的最近34年。选择四年（23-04-1984、04-04-1996、09-05-2007和02-04-2017）进行预期分析。为了尽量减少季节对植被的影响，只使用在4月至5月初之间获得的图像。此外，还获得了用于高程和坡度信息提取的10m分辨率数字高程模型（DEM）数据集。从福建省统计年鉴中提取了近23年（1995-2017）的社会经济数据。2017年4月，进行了野外调查，绘制了植被覆盖现状图。此外，还从当地专家那里获得了关于植被覆盖随时间变化以及引起变化的驱动因素的辅助信息。

2.2.2 图像预处理

所有图像都是经过地形和几何校正的1T级产品。利用FLAASH模块在ENVI5.1中进行了辐射定标和大气校正。为了确定水汽量和气溶胶反演，分别选择热带大气模型和2波段（K–T）选项。气溶胶模型是乡村的。为了获得不同年份图像的几何一致性，采用最近邻重采样方法，以海岛行政区域边界图为基准图进行图像对地图配准。整个误差控制在0.5像素以内。

2.2.3 光谱指数计算

平潭岛海拔0-434.6米。坡度和坡向可以对植被反射率产生影响，并且应该通过应用光谱比率或植被指数(VIs)来最小化(Kumar and Ghose 2017)。VIs可以作为土地覆盖分类的辅助数据（Satir and Erdogan 2016）。本研究选取了三种广泛应用的植被指数：归一化植被指数（NDVI）、增强植被指数（EVI）和土壤调节植被指数（SAVI）。NDVI是环境研究中广泛使用的指标（Xiao et al.2017)以及利用红带和近红外带的比率测量植被生长(Pei et al.2018）。

根据NDVI值将植被覆盖类型分为非、低、中、高4类，相应的NDVI值分别为lt;0.1、[0.1-0.3]、[0.3-0.4]和ge;0.4(Yang and Ge 2017)。然而，土壤背景、大气效应、冠层结构等因素也可能影响NDVI值（Zou and Matti 2017）。SAVI可以使土壤背景的光谱对NDVI的限制最小化（Xue and Su 2017）。SAVI采用L作为土壤校正因子，尤其在植被覆盖较少（＜15％）的地区，SAVI的效果优于NDVI（Peng et al.2014）。尽管L值根据植被覆盖水平从0到1不等，但以0.5作为默认值已经可以适应大多数环境条件。EVI是另一个能够同时最小化大气和土壤影响的植被指数（Kumar and Ghose 2017）。用于计算指数的这些方程列在表1中。

表 1 本研究选择的三个植被指数及其方程式

绿色植被覆盖部分

覆盖物被绿色植被覆盖的地面部分。由于FCV与光照方向无关，对植被量敏感，因此它是用于生态系统监测的非常好的指标（Gitelson et al .2002）。除了量化植被覆盖的空间范围外，FVC还能够捕捉到植被结构和组成的时域变化（Lele et al.2005）。我们使用FVC来评估植被的时空动态，以补充基于视觉解释的植被动态。

其中NDVInon是非植被区域（NDVI值假定为0），而NDVIveg是完全植被覆盖区域（理论上NDVI值假设为1）（Jiang et al.2015）。实际上，由于噪声的影响，NDVInon的值在-0.1到0.2之间，NDVIveg通常不等于1（Rundquist，2002）。使用NDVI频率直方图，我们将对应于累积频率值的1％和99％的NDVI值分别作为NDVInon和NDVIveg。然后，我们将植被状况分为五类：少，相对较少，中等，相对良好和良好。 FVC分类标准基于自然断裂理论，通过该理论，直方图中的低点被视为类别断点。关于自然断裂理论及其优点的详细解释可以在Caspall（1971）中找到。 FVC的时间变化也分为三类（Jiang et al.2015）：显著减少（-1至-0.2），无显著变化（-0.2至0.2）和显著增加（0.2至1）。

2.2.4 植被分类和结果验证

本研究的图像分类采用了国家土地利用/覆盖分类系和广泛使用的最大似然分类器。根据当地专家的信息和实地考察，从Landsat图像中提取八个土地使用/覆盖类（LUCC）（表2）。为提高所选图像分类的准确性，其他支持数据的高分辨率历史Google Earth图像，土地覆盖数据来自中国国家地理信息中心（30米）（http：//www.globalland cover .com），和辅助统计报告。 DEM数据（10米分辨率）也用于海拔和坡度信息。可视化而不是基于计算机的解释需要花费很多时间，但它提高了分类的准确性（Yang et al.2017）。用动态监测算法计算以下监督分类和统计措施。从八个土地覆盖类别中，选取三种植被类型（森林，灌木和草地）进行进一步分析。根据误差矩阵统计评估分类准确度，1984年总体准确度最低为93.87％，2007年最高准确度为97.26％。这些精度高于美国地质调查分类计划（Anderson 1976）规定的准确度标准。

表 2 本研究中选择的八个土地覆盖

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21184]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章