近15年中国西南地区植被覆盖度动态变化

郑朝菊， 曾源， 赵玉金， 赵旦， 吴炳方

(1.中国科学院遥感与数字地球研究所，北京 100094; 2.中国科学院大学，北京 100049)

近15年中国西南地区植被覆盖度动态变化

郑朝菊1,2， 曾源1， 赵玉金1， 赵旦1， 吴炳方1

(1.中国科学院遥感与数字地球研究所，北京 100094; 2.中国科学院大学，北京 100049)

基于MODIS-NDVI数据，利用像元二分模型估算获得中国西南地区2000—2014年间的250 m分辨率月度植被覆盖度(fractional vegetation cover，FVC)，结合气象数据，采用趋势分析、相关分析和残差分析方法，对西南地区近15 a间FVC时空变化及与气候、人类活动的关系进行了综合分析。结果表明： ①2000—2014年间西南地区森林生态系统的年最大FVC显著增加，增加速率为0.096 2 a-1(p<0.05)，农田年最大FVC增幅最小(0.031 1 a-1，p=0.582)； ②FVC变化存在明显的空间差异，滇北、黔渝地区的森林和灌丛、三江源地区的草地以及广西南部的农田FVC显著增加，但汶川、横断山、川西北等地FVC显著下降； ③西南地区年最大FVC与秋季降水和夏季均温的相关性最好，相关系数分别为0.320和0.281； ④2000—2014年间西南地区FVC残差的增加速率为0.023 2 a-1，说明人类活动对西南地区植被生长整体上起促进作用。

植被覆盖度； 像元二分模型； 西南地区； 气候变化； 人类活动

0 引言

植被是陆地生态系统的主体，也是联结土壤、大气和水分的自然“纽带”，其年际和季节变化明显，在全球变化研究中充当着“指示器”的作用[1]。植被覆盖度(fractional vegetation cover，FVC)指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[2]，是反映地表植被覆盖状况和生态环境的重要指标。植被覆盖度遥感估算主要包括物理模型法和统计模型法[3]，前者以几何光学模型[4]和辐射传输模型[5]为主，可从机理上把握植被生化组分对光谱特征的影响，但通常输入变量多且难以准确测量[3]； 后者以植被指数法[6]、像元分解法[7]、回归模型[8]、分类决策树[9]和人工神经网络[10]为主。其中，回归模型对实测数据依赖大，难以大范围推广； 分类决策树和人工神经网络基于数据挖掘，估算时需要大量样本，建立网络时存在主观成分。相比之下，像元分解法和植被指数法不需要建立回归模型，对实测数据依赖较小，并能削弱大气、土壤等影响，经验证后可外推到大范围地区，形成通用的植被覆盖度计算方法[11]。在全球变暖和人类活动的影响下，西南地区陆地生态系统(植被)变化明显[12]。华维等[13]发现1982—2002年间该区NDVI春冬以增大为主，夏秋以减小为主； 张远东等[14]发现1982—2006年西南地区灌丛、针叶林、草甸和高山植被的NDVI明显增大； 张笑鹤等[15]发现1982—2006年雅鲁藏布江和怒江流域四季NDVI均显著增大； Zhang等[16]指出2000—2009年青藏高原南部气温升高和降水减少抑制了植被生长； 张勃等[17]发现近14 a来西南地区各植被类型NDVI均显著增加。在前人研究的基础上，针对西南地区近15 a来的植被变化，综合分析生态系统特征、气候效应与人类活动的影响，做到定量评价植被生长状况及其变化驱动因素。

本文基于MODIS-NDVI数据，利用改进的像元二分模型估算西南地区2000—2014年间的植被覆盖度，探讨不同生态系统植被变化及与气候、人类活动的关系，为科学评价西南地区生态环境状况、植被生长潜力、固碳能力提供数据支持，为西南地区重大生态建设工程的宏观布局和实施提供参考。

1 数据源与研究方法

1.1 研究区概况

本研究所指的“西南地区”(N21°08′～36°29′，E87°22′～112°03′)包括了我国广西、贵州、重庆、云南、四川五省(市、自治区)全境及青海南部、西藏东南的部分县市(图1)。该区地貌复杂，横跨广西丘陵、云贵高原、四川盆地、若尔盖高原、横断山地和青藏高原东南部。气候类型包括亚热带季风气候、热带季雨林气候及青藏高原独特的高原气候，年均气温在0～24 ℃之间，年降水量在600～2 300 mm范围内，由东南向西北递减[18]。

图1西南地区2010年土地覆被图及精度验证样地分布

Fig.1Landcoverof2010andthedistributionofsampleplots

1.2 数据源及其预处理

1.2.1 遥感数据

NDVI来源于16 d合成的MODIS-NDVI产品(reverb.echo.nasa.gov)，空间分辨率为250 m。为减少异常值等噪声影响，对其进行了Savitzky-Golay滤波处理，然后取最大值合成了2000—2014年西南地区月度NDVI数据。

温度数据来源于中国气象数据网(data.cma.cn)提供的西南地区及周边242个有效气象站点2000—2014年逐日平均气温(图1)，利用Universal Kriging法插值成250 m分辨率栅格； 降水采用2000—2014年的TRMM3B42数据(trmm.gsfc.nasa.gov)，该数据是TRMM卫星与其他卫星联合反演的降水产品，空间分辨率为0.25°× 0.25°，时间分辨率为3 h。Cheng等[20]发现TRMM3B42数据与地面观测数据在月尺度上相关系数约0.9，且空间一致性较好； 刘俊峰等[21]指出随时间尺度增加，TRMM3B42数据精度提高； 本文将TRMM3B42数据与西南地区147个气象站点近15 a的降水数据进行对比，结果表明年尺度上两组数据一致性较高(R2=0.841 1)。土地覆被数据来源于“全国生态环境十年变化(2000—2010年)遥感调查与评估”项目提供的全国30 m土地覆被产品，采用MAJORITY法重采样为250 m，作为FVC估算模型中阈值确定和不同生态系统FVC提取与分析的基础数据。土壤类型数据来源于中国西部环境与生态科学数据中心(westdc.westgis.ac.cn)提供的1∶100万中国土壤数据集(V1.1)(HWSD)，采用的土壤分类系统为FAO-90。

1.2.2 地面观测数据

为验证FVC估算精度，2012年8月在西南地区野外调查中布设了125个100 m×100 m精度验证样地。样地选取的原则是样地及周边大范围内物种组成、群落结构与生境相对均匀，样地分布见图1。125个样地包括森林样地36个，每个样地选取2个30 m×30 m样方； 灌丛样地16个，每个样地选取3个10 m×10 m样方； 草地和农田样地分别为39和34个，每个样地选取9个1 m×1 m样方。利用GPS记录样方坐标，并采用鱼眼相机垂直拍摄多张照片，利用Caneye软件计算FVC，将样地内各样方的FVC均值视为该样地的实测FVC。此外，为确定FVC估算模型中NDVI的阈值，在研究区还布设了48个样地，布设方式与125个精度验证样地相同，专门作为阈值校验地面调查点。

1.3 植被覆盖度估算方法

像元二分模型假设像元由植被覆盖地表和无植被覆盖地表2部分构成，所得到的光谱信息即这两种组分以面积比加权的线性组合。其中植被覆盖地表的面积比即该像元的植被覆盖度，公式为

FVC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil) ，

(1)

式中：NDVIsoil为无植被覆盖像元的NDVI值，一般在-0.1 ～ 0.2之间[8]；NDVIveg为纯植被像元的NDVI值，其值随时空变化。Matsui等[22]选择8 km分辨率的GIMMS-NDVI累积频率97%处的NDVI为NDVIveg，3%处的NDVI为NDVIsoil计算了美国西南和墨西哥FVC； Kevin等[23]利用1 km分辨率的AVHRR年最大NDVI，在14种土地覆被类型内各取累积频率为98%处的NDVI为NDVIveg估算了1993—1998年美国FVC； 吴云等[24]利用250 m分辨率的MODIS-NDVI，在各土地覆被类型内取累积频率为95%的NDVI为NDVIveg，土壤类型内取累积频率为5%的NDVI为NDVIsoil，估算了2000—2007年海河流域FVC； 周志强等[3]利用30 m分辨率的TM和HJ-1A/B CCD数据计算的NDVI，取累积频率为98%处的NDVI为NDVIveg，2%处的NDVI为NDVIsoil估算了2000年和2009年南水北调中线水源区FVC。

在前人研究的基础上，我们选择了2%，3%和5%的置信度水平设置NDVIveg和NDVIsoil，分别对2012年8月西南地区的FVC进行估算，采用48个独立样地进行阈值校验，发现2%的置信度水平下估算的FVC结果最好，因此取森林、灌丛、草地、农田及其他共5大类各土地覆被类型单元累积频率98%的NDVI为NDVIveg，取共计13大类各土壤类型单元累积频率2%的NDVI为NDVIsoil，通过栅格计算得到2000—2014年间西南地区的FVC。

1.4 植被覆盖度分析方法

1.4.1 趋势分析

利用2000—2014年间西南地区年最大的FVC，在像元尺度上进行一元线性回归，得到回归斜率，即

(2)

式中：t为监测年数；y为第i年的年最大FVC。

回归斜率可反映2000—2014年间西南地区FVC的变化趋势及幅度。斜率为正，表明FVC增加； 斜率绝对值越大，FVC变化幅度越大。采用F检验法对线性回归的显著性进行检验，取显著性水平为95%。

1.4.2 相关分析

年最大FVC和不同时段气候因子的相关性用Pearson相关系数表示为

(3)

式中：x为不同时段气候因子；y为年最大FVC，以气象站点为中心取3×3窗口的像元均值；n为样本数量。

采用偏相关系数来确定每种气候因子对FVC的贡献度，公式为

(4)

式中：rx1y，rx2y，rx1x2分别为y与气候因子x1，y与气候因子x2，两气候因子x1与x2相关系数；rx1y·x2表示x2固定时，y与x1的偏相关系数。采用t检验法对偏相关系数的显著性进行检验，取显著性水平为95%。

1.4.3 残差分析

残差分析法[25]由Evans和Geerken提出，利用年最大FVC与气候因子间的良好线性关系建立回归模型，得到年最大FVC拟合值，将其视为气候因子对年最大FVC的影响。假设地形和土壤等自然条件未发生变化，利用遥感估算的FVC减去FVC拟合值(理论上完全由气候因素引起的植被变化)，即得到人类活动引起的年最大FVC变化，从而分离出气候因素和人类活动对FVC变化的影响，公式为

(5)

2 结果与分析

2.1 西南地区植被覆盖度估算结果

2.1.1 不同生态系统植被覆盖度估算结果

2000—2014年间西南地区平均年最大FVC大于80%的区域占总面积的60.40%，平均年最大FVC小于40%的仅占14.65%。在空间上，西南地区FVC呈现从东南向西北递减的趋势(图2(左))。2000—2014年间西南地区年最大FVC整体呈增加趋势，增加速率为0.047 3 a-1(p=0.241)。从不同时间段来看，2000—2002年间西南地区年最大FVC明显增加，由71.69%增长至74.56%； 而2003—2008年变化不大，年最大FVC介于73.02%～73.48%之间； 2009—2014年间最大FVC则波动式上升，植被覆盖总体有所改善(图2(右上))。

基于2010年土地覆被数据获得该区主要生态系统类型的面积比： 森林(29.08%)、灌丛(14.25%)、草地(24.11%)和农田(15.34%)。这4种生态系统类型具有较好的生态系统服务功能，并且能反映不同植被类型对植被覆盖度变化的贡献程度，其平均年最大FVC从大到小为农田(88.65%)>森林(88.46%)>灌丛(83.80%)>草地(61.08%)(图2(右下))。2000—2014间年西南地区各生态系统的年最大FVC均呈增加趋势，其中森林年最大FVC增幅最大，达0.096 2 a-1(p<0.05)，其次是灌丛(0.077 4 a-1，p=0.069)和草地(0.076 2 a-1，p=0.208)，农田年最大FVC增幅最小(0.031 1 a-1，p=0.582)。林灌草覆盖的地区植被生长状况基本反映了自然条件的年际变动，加之退耕还林还草等生态工程的有效实施，年最大FVC增幅较大且显著性较高； 而农田生态系统年最大FVC较高，增幅较小，且作物生长、轮替及退耕及城市扩张等造成植被生长年际间变动趋势不显著，与实际情况相符。

图2 2000—2014年西南地区平均年最大FVC空间分布(左)、西南地区(右上)及不同生态类型(右下)年最大FVC变化

2.1.2 精度验证

依据野外采样数据对2012年的年最大FVC估算结果进行精度评价，125个样地的均方根误差(RMSE)为0.067 3，遥感估算FVC与实测FVC具有很好的线性相关性(R2=0.742 6)。不同生态系统中，农田FVC估算精度最高，RMSE为0.050 6，森林FVC估算精度最低，RMSE为0.086 3(图3)。

图32012年植被覆盖度遥感监测结果精度验证

Fig.3Verifiedtheaccuracyofremotesensingmonitoringresultsoffractionalvegetationcoverin2012

2.2 西南地区植被覆盖度时空变化

2.2.1 年际变化

2000—2014年西南地区年最大FVC呈增加趋势(slope>0)的面积(120.07×104km2)多于呈下降趋势(slope<0)的面积(90.47×104km2)(图4)。其中，年最大FVC显著增加(slope>0且p<0.05)的区域占总面积的13.60%，显著下降(slope<0且p<0.05)的区域占8.45%。各生态系统年最大FVC显著增加的面积比例分别为草地(14.75%)、灌丛(13.88%)、森林(13.46%)和农田(13.15%)，显著下降的面积比例分别为草地(9.19%)、农田(7.68%)、灌丛(7.34%)和森林(5.64%)。

图42000—2014年西南地区年最大FVC线性回归斜率分布

Fig.4SlopeofLinearregressionofannualmaximumFVCfrom2000to2014inthesouthwesternChina

在空间上，森林和灌丛FVC在滇北、黔渝退耕还林重点区显著增加，但在汶川地震灾区、横断山显著下降(图5(a)(b))； 草地FVC在三江源明显增加，但在藏东南、川西北显著下降(图5(c))； 农田FVC在广西南部显著增加，但在四川盆地、云贵高原石漠化地区显著下降，在川东、黔北无显著变化(图5(d))。

(a) 森林(b) 灌丛

(c) 草地(d) 农田

图52000—2014年西南地区不同生态系统年最大FVC变化趋势

Fig.5TrendsofannualmaximumFVCchangeforecosystemfrom2000to2014

2.2.2 季节变化

2000—2014年除夏季FVC呈减少趋势(0.041 4 a-1，p=0.617)外，各季节FVC均呈增加趋势(图6)。其中，秋季FVC增幅最大且极显著(0.229 8 a-1，p<0.01)； 其次是春季(0.135 7 a-1，p=0.123)，可能与全球变暖引起的植物生长期延长或提前有关； 冬季FVC增幅较小且不显著(0.122 3 a-1，p=0.219)。

(a) 春(b) 夏

(c) 秋(d) 冬

图62000—2014年西南地区季节性平均FVC时间序列变化

Fig.6ChangeofseasonalaverageFVCinthesouthwesternChinafrom2000to2014

2.3 西南地区植被覆盖度变化的驱动因素

2.3.1 气候变化对年最大植被覆盖度变化的影响

西南地区年最大FVC与秋季降水和夏季均温的相关性最好，相关系数分别为0.320和0.281(表1)。不同生态系统中，草地年最大FVC与年均温显著负相关(r=-0.610)，与年降水显著正相关(r=0.761)； 草地生长主要受春秋降水和秋季温度的影响，相关系数均在0.65以上。农田年最大FVC受温度变化的控制大于降水，与年均温和年降水的相关系数分别为0.52和0.37； 季节尺度上受春夏温度和夏秋降水影响最大，相关系数均在0.50以上。森林和灌丛生态系统中，植被生长受降水的影响大于温度，但相关性不显著。灌丛年最大FVC与温度和降水均为正相关，森林除秋季外，年最大FVC均与温度正相关，与降水负相关。

表1 西南地区不同生态系统年最大FVC与气候因子的相关系数表

*p<0.05 ; **p<0.01.

西南地区夏季均温和秋季降水对年最大FVC的影响存在明显的空间差异(图7)。青海南部年最大FVC与夏季均温和秋季降水显著正相关(rx1y·x2>0且p<0.05)的面积比例最大，分别为15.93%和16.92%。西藏东南年最大FVC与夏季均温和秋季降水显著负相关(rx1y·x2<0且p<0.05)的面积比例最大，分别为11.71%和9.06%。重庆年最大FVC与夏季均温和秋季降水显著负相关的面积比例也较大，分别为8.50%和7.72%。四川年最大FVC与夏季均温显著正相关的面积比例较大(7.07%)，但与秋季降水负相关关系明显。广西年最大FVC与秋季降水显著正相关的面积比例较大(7.55%)，但与夏季均温相关性不显著(p>0.05)的面积比例达91.19%，说明温度不是该地区植被生长的主控因子。云贵高原年最大FVC与夏季均温和秋季降水相关性较差，这些区域或为灌溉农田或为石漠化地区，温度和降水对植被的影响不明显。

(a) 最大FVC与夏季均温的偏相关系数(b) 年最大FVC与秋季降水的偏相关系数

图7西南地区年最大FVC分别与夏季均温、秋季降水的偏相关系数

Fig.7PartialcorrelationcoefficientsbetweentheannualmaximumFVCandsummeraveragetemperatureandautumnprecipitation

2.3.2 人类活动对年最大植被覆盖度变化的影响

2000—2014年间西南地区FVC残差的增加速率为0.023 2 a-1，说明人类活动整体上对西南地区植被覆盖度增加起了促进作用。对西南地区FVC残差序列进行趋势分析，得到2000—2014年FVC残差变化趋势的空间分布(图8)。可以看到，近15 a来人类活动对西南地区植被覆盖度的增加既有促进作用，又有破坏作用。

图8 2000—2014年西南地区FVC残差变化趋势

西南地区FVC残差变化趋势为正的区域占总面积的57.62%，主要分布在贵州(74.25%)、重庆(68.65%)、广西(64.66%)和云南(62.67%)，这些地区人类活动对植被生长起了促进作用。如云贵高原农药化肥的使用提高了农田植被覆盖度； 重庆市依托天保工程、退耕还林等生态工程，库区森林植被得到恢复； 广西珠江防护林体系工程的实施，促使森林面积持续增加。

西南地区FVC残差变化趋势为负的区域主要分布在四川盆地、藏东南和川西高原，此外在昆明、贵阳、南宁等地也有零星分布，这些地区人类活动对植被生长起了破坏作用。如四川“绵阳—成都—乐山”片区，城市扩张侵占了大量自然植被及优质农田； 西藏东南部人口增加和超载放牧，造成草地退化，且加剧了土壤侵蚀，使本就脆弱的生态环境和植被覆盖遭到严重破坏； 川西高原过度水电开发、非法采伐及过度放牧导致森林破坏、草地退化； 沿交通干线分布的贵阳、南宁等城市迅速扩张，植被覆盖度有所减少。

3 结论

本文基于MODIS-NDVI数据，利用像元二分模型估算了西南地区2000—2014年的植被覆盖度，并对其时空变化进行分析，探讨了年最大FVC与温度、降水的相关性，在此基础上，通过残差分析反映人类活动对FVC变化的影响，主要结论如下：

1)2000—2014年西南地区FVC整体呈增加趋势，增加速率为0.047 3 a-1(p=0.241)。各生态系统的年最大FVC均呈增加趋势，其中森林年最大FVC增幅最大(0.096 2 a-1，p<0.05)，农田年最大FVC增幅最小(0.031 1 a-1，p=0.582)。

2)FVC变化存在明显的空间差异，滇北、黔渝地区的森林和灌丛、三江源地区的草地以及广西南部的农田FVC显著增加，但汶川、横断山、川西北等地FVC显著下降。

3)除夏季外，各季节FVC均呈增加趋势，秋季FVC增幅最大； 西南地区年最大FVC与秋季降水和夏季均温的相关性最好，相关系数分别为0.320和0.281。

4)2000—2014年间西南地区FVC残差的增加速率为0.023 2 a-1，说明人类活动对西南地区植被生长整体上起了促进作用。FVC残差变化趋势为正的区域占57.62%，主要分布在贵州(74.25%)、重庆(68.65%)、广西(64.66%)和云南(62.67%)，FVC残差变化趋势为负的区域主要分布在四川盆地、藏东南和川西高原等地，这些区域人类活动对植被覆盖起了破坏作用。

MODIS-NDVI数据始于2000年，因此本文研究的时间序列相对较短。在今后的研究中，将考虑结合其他长时序数据集，分析近30 a，甚至更长时间段内西南地区FVC的动态变化。本文从大尺度上研究了FVC变化与气候因子及人类活动的关系，而要进行具体植被建设恢复工作，还需要在更小尺度上利用高分辨率遥感影像做进一步研究。此外，可以选择典型区，结合GDP、铁路公路、人口密度等社会经济因子，进一步分析政策和经济对FVC变化的影响，为西南地区植被恢复及生态环境建设提出合理的治理和保护方案。

[1] 孙红雨,王长耀,牛铮,等.中国地表植被覆盖变化及其与气候因子关系——基于NOAA时间序列数据分析[J].遥感学报,1998,2(3):204-210. Sun H Y,Wang C Y,Niu Z,et al.Analysis of the vegetation cover change and the relationship between ndvi and environmental factors by using NOAA time series data[J].Journal of Remote Sensing,1998,2(3):204-210.

[2] 程红芳,章文波,陈锋.植被覆盖度遥感估算方法研究进展[J].国土资源遥感,2008,20(1):13-18.doi:10.6046/gtzyyg.2008.01.02. Cheng H F,Zhang W B,Chen F.Advances in researches on application of remote sensing method to estimating vegetation coverage[J].Remote Sensing for Land and Resources,2008,20(1):13-18.doi:10.6046/gtzyyg.2008.01.02.

[3] 周志强,曾源,张磊,等.南水北调中线水源区植被覆盖度遥感监测分析[J].国土资源遥感,2012,24(1):70-76.doi:10.6046/gtzyyg.2012.01.13. Zhou Z Q,Zeng Y,Zhang L,et al.Remote sensing monitoring and analysis of fractional vegetation cover in the water source area of the middle route of projects to divert water from the South to the North[J].Remote Sensing for Land and Resources,2012,24(1):70-76.doi:10.6046/gtzyyg.2012.01.13.

[4] Zeng Y,Schaepman M E,Wu B F,et al.Scaling-based forest structural change detection using an inverted geometric-optical model in the Three Gorges region of China[J].Remote Sensing of Environment,2008,112(12):4261-4271.

[5] Gemmell F,Varjo J,Strandstrom M,et al.Comparison of measured boreal forest characteristics with estimates from TM data and limited ancillary information using reflectance model inversion[J].Remote Sensing of Environment,2002,81(2/3):365-377.

[6] Montandon L M,Small E E.The impact of soil reflectance on the quantification of the green vegetation fraction from NDVI[J].Remote Sensing of Environment,2008,112(4):1835-1845.

[7] Gutman G,Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J].International Journal of Remote Sensing,1998,19(8):1533-1543.

[8] Carlson T N,Ripley D A.On the relation between NDVI,fractional vegetation cover,and leaf area index[J].Remote Sensing of Environment,1997,62(3):241-252.

[9] Hansen M C,DeFries R S,Townshend J R G,et al.Towards an operational MODIS continuous field of percent tree cover algorithm:Examples using AVHRR and MODIS data[J].Remote Sensing of Environment,2002,83(1/2):303-319.

[10]Boyd D S,Foody G M,Ripple W J.Evaluation of approaches for forest cover estimation in the Pacific Northwest,USA,using remote sensing[J].Applied Geography,2002,22(4):375-392.

[11]Qi J,Marsett R C,Moran M S,et al.Spatial and temporal dynamics of vegetation in the San Pedro River basin area[J].Agricultural and Forest Meteorology,2000,105(1/3):55-68.

[12]张永恒,范广洲,李腊平,等.西南地区植被变化与气温及降水关系的初步分析[J].高原山地气象研究,2009,29(1):6-13. Zhang Y H,Fan G Z,Li L P,et al.Preliminary analysis on the relationships between NDVI change and its temperature and precipitation in southwest China[J].Plateau and Mountain Meteorology Research,2009,29(1):6-13.

[13]华维,范广洲,李洪权,等.西南地区近21年来NDVI变化特征分析[J].成都信息工程学院学报,2008,23(1):91-97. Hua W,Fan G Z,Li H Q,et al.Analysis of NDVI variation features over Southwest China during last 21 years[J].Journal of Chengdu University of Information Technology,2008,23(1):91-97.

[14]张远东,张笑鹤,刘世荣.西南地区不同植被类型归一化植被指数与气候因子的相关分析[J].应用生态学报,2011,22(2):323-330. Zhang Y D,Zhang X H,Liu S R.Correlation analysis on normalized difference vegetation index(NDVI) of different vegetations and climatic factors in Southwest China[J].Chinese Journal of Applied Ecology,2011,22(2):323-330.

[15]张笑鹤.西南地区NDVI和NPP时空动态及其与气候因子相关性分析[D].北京:中国林业科学研究院,2011. Zhang X H.Spatio-Temporal Dynamic of NDVI and NPP and their Correlation with Climatic Factors in Southwest China[D].Beijing:Chinese Academy of Forestry,2011.

[16]Zhang L,Guo H D,Ji L,et al.Vegetation greenness trend(2000 to 2009) and the climate controls in the Qinghai-Tibetan Plateau[J].Journal of Applied Remote Sensing,2013,7(1):073572.

[17]张勃,王东,王桂钢,等.西南地区近14 a植被覆盖变化及其与气候因子的关系[J].长江流域资源与环境,2015,24(6):956-964. Zhang B,Wang D,Wang G G,et al.Vegetation cover change over the southwest China and its relation to climatic factors[J].Resources and Environment in the Yangtze Basin,2015,24(6):956-964.

[18]董谢琼,段旭.西南地区降水量的气候特征及变化趋势[J].气象科学,1998,18(3):239-247. Dong X Q,Duan X.Climatic characteristics and variation tendency of precipitation in the southwest region of China[J].Scientia Meteorologica Sinica,1998,18(3):239-247.

[19]2010年中国土地覆被遥感监测数据集(ChinaCover2010)封面插图[J].遥感学报,2013,17(4):693. Image of the China national land cover data for 2010(China Cover 2010) in the cover[J].Journal of Remote Sensing,2013,17(4):693.

[20]Chen H M,Yuan W H,Li J,et al.A possible cause for different diurnal variations of warm season rainfall as shown in station observations and TRMM 3B42 data over the southeastern Tibetan Plateau[J].Advances in Atmospheric Sciences,2012,29(1):193-200.

[21]刘俊峰,陈仁升,韩春坛,等.多卫星遥感降水数据精度评价[J].水科学进展,2010,21(3):343-348. Liu J F,Chen R S,Han C T,et al.Evaluating TRMM multi-satellite precipitation analysis using gauge precipitation and MODIS snow-cover products[J].Advances in Water Sciences,2010,21(3):343-348.

[22]Matsuit T,Lakshmi V,Small E E.The effects of satellite-derived vegetation cover variability on simulated land-atmosphere interactions in the NAMS[J].Journal of Climate,2005,18(1):21-40.

[23]Gallo K,Tarpley D,Mitchell K,et al.Monthly fractional green vegetation cover associated with land cover classes of the conterminous USA[J].Geophysical Research Letters,2001,28(10):2089-2092.

[24]吴云,曾源,赵炎,等.基于MODIS数据的海河流域植被覆盖度估算及动态变化分析[J].资源科学,2010,32(7):1417-1424. Wu Y,Zeng Y,Zhao Y,et al.Monitoring and dynamic analysis of fractional vegetation cover in the Hai River Basin based on MODIS data[J].Resources Science,2010,32(7):1417-1424.

[25]Evans J,Geerken R.Discrimination between climate and human-induced dryland degradation[J].Journal of Arid Environments,2004,57(4):535-554.

[26]Herrmann S M,Anyamba A,Tucker C J.Recent trends in vegetation dynamics in the African Sahel and their relationship to climate[J].Global Environmental Change,2005,15(4):394-404.

(责任编辑：邢宇)

MonitoringanddynamicanalysisoffractionalvegetationcoverinsouthwesternChinaoverthepast15yearsbasedonMODISdata

ZHENG Zhaoju1，2, ZENG Yuan1, ZHAO Yujin1, ZHAO Dan1, WU Bingfang1

(1.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094,China; 2.UniversityofChineseAcademyofSciences,Beijing100049,China)

Fractional vegetation cover (FVC) is a critical indicator for vegetation and eco-environment. It is frequently used as a basic input for hydrology, meteorology and water-soil protection studies at regional or global scales. Southwestern China is an important ecological barrier and the major water supplying area in China. It is important to carry out the study of changes of regional fractional vegetation cover for the protection of eco-environment. In this paper, based on the MODIS-NDVI data obtained from 2000 to 2014, the authors estimated fractional vegetation cover of southwestern China by using the method of dimidiate pixel model, and analyzed the spatial-temporal variation characteristics of the FVC. The results show that, in the past 15 years, the FVC of southwestern China has shown an increasing trend in general but decreased in some meadow areas over the northwest of the study area and the urban expanded areas. In different kinds of ecosystem types, the forest shows the largest average increase of the annual maximum FVC (0.096 2 a-1,p<0.05), while the grassland shows the smallest increase (0.031 1 a-1,p=0.582). Fractional vegetation cover has increased in different degrees in most seasons in the past 15 years in southwestern China, with the increase in autumn being most rapid (0.229 8 a-1) and has most significant trend (p<0.01), followed by spring. For better understanding the effects of climate change on FVC, the correlation coefficients of climatic factors and the annual maximum FVC in different temporal durations were calculated. The results suggest that the annual maximum FVC is significantly related to accumulated precipitation of autumn and mean temperature in summer, showing correlation coefficients of 0.320 and 0.281. In addition, human activities are also important causes resulting in FVC change and the effect has increased in both positive and negative aspects.

fractional vegetation cover; dimidiate pixel method; southwestern China; climatic factor; human activities

10.6046/gtzyyg.2017.03.19

郑朝菊,曾源,赵玉金,等.近15年中国西南地区植被覆盖度动态变化[J].国土资源遥感,2017,29(3):128-136.(Zheng Z J,Zeng Y,Zhao Y J,et al.Monitoring and dynamic analysis of fractional vegetation cover in southwestern China over the past 15 years based on MODIS data[J].Remote Sensing for Land and Resources,2017,29(3):128-136.)

2015-12-30；

2016-01-28

国家重点研发计划项目“区域生态系统服务与生态安全格局演变”(编号： 2016YFC0502102)、“基于多源遥感的生态参数标准化数据集构建”(编号： 2016YFC0500201)和国家科技支撑计划项目“西南生态安全屏障决策支撑技术体系”(编号： 2011BAC09B08)共同资助。

郑朝菊(1991-)，女，硕士研究生，主要从事植被生态遥感方面的研究。Email: zhengzj2014@radi.ac.cn。

曾源(1979-)，女，博士，研究员，主要从事生态遥感方面的研究。Email: zengyuan@radi.ac.cn。

TP 79

： A

： 1001-070X(2017)03-0128-09