英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

利用遥感评估气候对植被变化的影响

G.J. Roerink *, M. Menenti, W. Soepboer, Z. Su

摘要

气候变化对植被动态有很大的影响。为了量化这种影响，利用标准的NDVI卫星影像和部分萨赫勒非洲和欧洲的近年来的气象数据做了一项研究。通过对NDVI卫星图像的时间序列分析，利用时间序列算法的谐波分析，将植被变化定量为植被的总数量和季节差异。一个气候指标是由气象数据产生的。植被变化与CI之间的关系是由空间和时间决定的。最干旱的地区被证明是对气候影响最敏感的地区。关于平均NDVI的空间和时间模式是相同的，虽然它们在季节性上有一定的差异。关于气候对植被变化的影响是否在地球的时间和空间范围内相同的问题仅靠有限的数据是无法完美解答的。

引言

气候变化对生态系统有很大的影响，但对每个地区的影响并不相同；它在调节地区的气候与生态系统的微妙平衡作用巨大，就像萨赫勒地区和部分地中海地区。植被是气候变化生态系统中非常敏感的部分。生长季节和植被总量(统称为植被动力学)都受到气候变化的强烈影响。

由于卫星数据的使用已成为对植被生长的定量描述的一个共同过程，卫星数据也越来越多地用于将植被指数与气候参数联系起来。植被是气候变化生态系统中非常敏感的一部分。生长季节和植被总量，一起称为植被动态，受到气候变化的强烈影响。

由于卫星数据的使用已成为植被生长定量描述的常见过程，卫星数据也越来越多地用于将植被指数与气候参数联系起来。这样的研究的例子是：（i）Richards和Poccard（1998），他得出的结论是，平均季节性归一化差值植被指数（NDVI）与南部大部分非洲的平均季节降雨量一致，除了沙漠（lt;300毫米/年）和（ii）波特和布鲁克斯（1998年），他分析了年度气候参数与NDVI季节性之间的经验关系。 季节性是生长季初NDVI与最大NDVI之间的差异。NDVI数据通过傅里叶平滑算法（FA）和太阳天顶角（S）校正来校正，以进一步从全球1 NDVI数据集中去除极端异常信号。他们得出结论，FAS-NDVI季节性极值的最佳预测因子是增长度日（GDD）和年降水量总量（PPT），两个累计指数。他们还支持植物群落产生相对较高生物量的能力的假设，更多地取决于同年的热量和湿度的总可用性，而不是那年的一个月的情况，或前一年的异常情况。这些先前的研究表明，气候对植被生长的影响必须每年进行分析。

对非洲和欧洲部分地区的NDVI和气象资料进行了数年的研究。尤其是，植被状况，植被动态，将分析气候变率和植被动态对气候变率的空间和时间敏感性。在这项研究的框架内，植被表现与植被生长在特定地区的平均含义是同义的，而植被动态指的是每月植被表现的时间行为，季节和年度时间尺度。 气候变率是一定时间范围内（如月份，季节性年度）某个区域的净辐射，降水，风和温度特征的集合。 植被动态对气候变率的时间和/或空间敏感性将用于表征这两个量在时间和/或空间尺度上的定量关系。 该研究的目的是量化气候变率与植被动态之间的时空关系。

方法

理论框架和研究方法如图1所示。植被表现由两个主要影响来源决定，即气候和人类。除了这两个，还可以确定其他几个较小的影响来源，例如土壤类型和海拔。通过卫星传感器，例如NOAA / AVHRR和METEROSAT，可以每天监测地球表面。其中有几个传感器为植被指数的建立提供了信息，如常用的归一化植被指数（Normalized Difference Vegetation Index，NDVI），这些指标表明了植被的表现（Goward et al，1985）。时间序列NDVI图像显示了植被表现的时间行为，植被动态（Spanner等，1990）。

植被动态可以通过对时间序列的NDVI图像应用傅里叶分析来量化（Verhoef，1996）。如果生成的NDVI傅立叶分量（FC）与气候参数相关联，则可建立植被动态与气候之间的关系（Roerink等，1999）。植被动态对气候的响应可以在空间和时间尺度上同时确定变异性。这种方法可以让我们尝试回答地球是否遍历的问题系统，即植被动态响应与气候变率是否具有相同的空间和时间模式？

图1.本研究的理论框架和研究方法。

数据

案例研究采用两个数据集进行，涵盖欧洲和萨赫勒地区的一部分。 数据特征见表1.由NOAA / AVHRR卫星图像生成的NDVI数据用于监测植被动态。 用气象资料，降水和净辐射来描述气候。 在欧洲，422个气象气象站的数据可以从世界气象组织获得。 对于萨赫勒地区，降水量由107个雨量表测量。 净辐射仅由一个气象站测量（Lebel et al.，1997），假设它代表区，哪里都有雨量计位。 气象气象站的卫星图像和位置如图3所示。

气候指标

蒸散是植物发育的关键过程。 它主要受两个气象参数，净辐射和降水量的控制; 其中一个是限制因素。

表格一 输入数据集的特征

Budyko aridity index是净辐射与降水量之比与蒸发潜热的比值（Budyko，1974; Henning和Flohn，1977）。 它是为干旱地区开发的，如沙漠，这是水控制的。 对于潮湿地区（受辐射控制），与欧洲部分地区相比，最好采用Budyko指数的倒数（Roerink et al。，1999）

CI= （1）

其中CI是所谓的气候指标，L是汽化潜热，P是降水量，Rn是净辐射。 换句话说，LP项是蒸发可用降水量P所需的能量。

在CI = 0和CI = 1之间存在缺水。理论上潜在蒸散量在CI = 1时达到，其中所有降水可以通过净可用辐射蒸发。 当CI大于1时，辐射是限制因素，水甚至可能成为植被发育的障碍。

时间序列谐波分析

为了提取植被动态特征，对NDVI图像进行傅立叶分析。 FC反映一年中植被动态的起点，长度和大小。 为此，开发了时间序列谐波分析（HANTS）算法（Verhoef，1996）。 该算法仅考虑预计在时间曲线中出现的最重要频率，并且应用基于谐波分量（正弦和余弦）的最小二乘曲线拟合程序。 对于每个频率，余弦函数的幅度和相位在迭代过程中被确定。 输入数据点与当前曲线具有较大的正偏差或负偏差（如多云和缺失像素），通过为它们分配一个零权重来删除。 在根据剩余点重新计算系数之后，重新执行该程序直到最大误差可接受或剩余点数变得太小。 有关HANTS算法的详细描述，请参阅Roerink和Menenti（2000）以及Roerink等人。（2000年）。

HANTS过程的一个例子在图2中给出。图2a表示10日-max-NDVI-复合材料的任意像素的年度时间剖面。 仅使用三个频率（频率0 =平均NDVI，频率1 =年NDVI周期，频率2 = 6个月NDVI周期），在迭代HANTS过程中过滤掉了14个云影响NDVI点。 其余点与拟合曲线的最大偏差为0.05 NDVI单位。 图2表示出了三个单独HANTS频率的FC（余弦函数）; 箭头表示年NDVI周期的振幅和相位值（频率= 1）。

图2 HANTS算法的原理。

结果

第一步是欧洲和萨赫勒的NDVI时间序列的HANTS分析。通过HANTS使用的频率的数量设定为3，对于两种情况：平均NDVI（频率frac14;0）和每年的振幅（频率frac14;1），它代表了植被和6个月的振幅（频率的基本动力学frac14; 2），这是平滑配合所必需的。图3显示了HANTS过程的结果，它是红色的平均NDVI，绿色的1年的幅度和蓝色的6个月的幅度的颜色合成。由于土地利用和气候条件的差异，在被覆盖的区域内可以找到各种各样的FC组合。一年中没有植被的地区以黑色表示，如撒哈拉沙漠，阿尔卑斯山脉和巴黎等城市地区。耕地和草原草原具有强大的12个月组成部分，导致绿色的颜色。全年的高植被覆盖带来红色（欧洲中部草原，热带森林）。蓝色可能代表强烈的两年一度的植被高峰（灌溉地区），但在大多数情况下，它代表着植被表现的急剧时间变化，就像小生长大草原地区的季节，或耕地的收获。 这表明NDVI FC可以用作植被动态的定量测量，如下所述。

图3.萨赫勒和欧洲NDVI傅立叶分量的颜色组合（红色平均NDVI，绿色frac14;幅度1年，蓝色frac14;幅度6个月）。 气象站的位置也被绘制出来。

第二步是将计算得到的CI与所有可用地点的NDVI FC耦合。 图4显示了1995年欧洲的一个例子。对于每个气象站来说

图4 1995年欧洲所有气象站位置的CI与频率0的HANTS幅度（1/4平均NDVI）的关系。

将CI值绘制为由HANTS得出的相应平均NDVI。 数据点的云可以由图1解释; NDVI FC不仅受到影响

通过气候参数（P; Rn），还可以通过人类和其他参数。 在这种情况下，我们假设所有这些影响可以被平均，这导致下一步。 以0.1 CI单位为增量，我们取NDVI FC组分的平均值，如图5所示。

图5.气候变率（CI）和植被动态（NDVI FC）之间的空间关系。

6.1 空间关系

图5显示了CI和NDVI FC之间的关系。 他们之间有很强的相关性。 发现CI和NDVI FC之间的空间关系类似欧洲和非洲。 从CI = 0到1，平均植被成分（频率= 0）急剧增加，此后它稳定在CI = 2附近，其中潜力蒸发量达到。 由于降水发生的不规律性和水分平衡（渗流，径流）其他条件下的水损失，实际的CI最大蒸散量（相当于最大NDVI FC）的值远高于平衡点（CI = 1）。 当CI进一步增加辐射成为植被发育的限制因素，平均植被成分再次下降。对于平均植被分量（频率frac14;0）和季节差异（1年振幅（频率frac14;1））的趋势是相同的，除了在CI = 3时发现最大季节差异。然而， ，因为CI值高于2.5的数据点只有少数，所以找到的最大值不是很可靠。 由此产生的6个月FC组分的HANTS值在此不再使用，因为它们的主要用途是创造更好的适应性，而不是植物动态的指标。

CI和NDVI FC之间的关系根据以下公式拟合：

NDVI FC =a b * CI c * （2）

四个系数（a，b，c和d）用于创建拟合。 式（2）由三部分组成：a表示图开始的y轴上的虚拟值随着第二部分b的值增加或减少b*CI。 最后一部分，c * 在该公式中，表示植被指数从无降水到潜在蒸发的强烈增加。 方程的推导回归系数。 （2）可以在表2中找到。对于CI变化，NDVI FC的空间灵敏度可以计算为公式1的一阶导数（2）：

拟合曲线绘制在图6中。很显然，最干燥的地区（如西班牙，萨赫勒和撒哈拉）具有最高的敏感度。

图6.气候变率（CI）和植被动态（NDVI FC）之间的时空关系。

6.2 时间关系

数据可用几年。 这使我们不仅可以分析空间敏感性，而且可以分析植被动态（NDVI FC）对气候变率的时间敏感性，如

其中，X年和Y年分别代表1995年，1996年和1997年欧洲的情况。式（4）不能应用于萨赫勒案例，因为NDVI FC应至少为0.10，以避免测量误差的干扰影响。 由于阈值几乎所有萨赫勒语和大量欧洲数据点都被拒绝。 重新计算的数据点的平均CI等级为0.3，并绘制在图6中，以及导出的空间灵敏度。

平均NDVI FC灵敏度显示出相似的空间和时间模式。 只有第一时间点（最干燥点）要高得多，这意味着非常干燥地区的植被对CI的微小变化非常强烈，这主要是由干旱地区降水量的变化引起的。

季节NDVI FC灵敏度显示不同的模式。 空间敏感度如预期; 从低CI下的高灵敏度开始，在高CI值下逐渐降低到零（图6）。 时间灵敏度从CI = 0到CI = 0.75呈现急剧下降的趋势。 在CI = 0.75时，敏感度稍微为负，这被认为是由有限的数据点引起的异常。 从CI = 0.75到CI = 2.55，时间敏感度从轻微负值缓慢增加到略微正值，在此之后缓慢下降。

表2 等式2的导出系数a，b，c和d。（2）

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24440]，资料为PDF文档或Word文档，PDF文档可免费转换为Word