基于RS和GIS的植被覆盖度变化监测与动因分析计算机专业

基于RS和GIS的植被覆盖度变化监测与动因分析摘要城市绿地面积的变化直接关系到地区区域环境内气候、水文、土壤等因子的改变。植被覆盖度是衡量地表植被生长状况的重要指标，而植被覆盖度变化监测与其动因分析也是城市生态环境监测的重要组成部分，其方法与结论可谓=为城市的可持续发展提供科学依据。本次研究获取了重庆市 2001-2016 年的 MODIS 遥感影像数据。在 ENVI 软件平台上，对 MODIS 遥感影像先进行预处理，再通过最大值合成或平均值法得到年 NDVI，最后基于二分模型原理获取植被覆盖度。从时间、空间两个方面分析重庆市植被覆盖变化情况；从自然及社会两方面构建监测与动因分析系统，最后运用多元线性回归、主成分回归方法对植被覆盖度变化动因进行定量分析。得出的结论有：在 2001-2013 年间重庆植被覆盖度呈现稳定上升趋势，但在 2013-2016 年间植被覆盖度出现了下降趋势，且在夏季（6、7、8 月份）植被覆盖度最高，从 9 月份开始直到冬季结束植被覆盖度呈现下降趋势；以山地为主的东北地区植被覆盖度偏高，以丘陵、低山为主的西部及东南地区的植被覆盖度比较低；主城区植被覆盖度最低；降水量对植被覆盖度的影响存在特定的滞后现象，而气温对植被覆盖度的影响不存在这种现象；在植被覆盖度与其动因的定量分析中，环保投资、平均气温 、降水量、日照时数、城镇化率等因素对植被覆盖度变化的影响较强，而总人口、生产总值两个因素对植被覆盖度变化的影响较弱。关键词：遥感，NDVI，植被覆盖度，变化监测，动因分析，回归分析，ABSTRACTThe change of urban green space area is directly related to the change of climate, hydrology, soil and other factors in regional environment. Vegetation coverage is an important index to measure the growth of surface vegetation, and the monitoring of vegetation coverage change and its motivation analysis are also an important part of urban ecological environment monitoring. Its methods and conclusions can be said to provide a scientific basis for the sustainable development of cities.This study obtained MODIS remote sensing data of Chongqing from 2001 to 2016 .The data is then processed to obtain vegetation coverage.The change of vegetation cover in Chongqing was analyzed from two aspects of time and space.Then the driving force index system is constructed from the natural and social aspects.Finally, the quantitative regression model of driving factor and vegetation cover change was constructed by multiple linear regression and principal component regression.The conclusions are as follows:From 2001 to 2013, the vegetation coverage in Chongqing showed a steady upward trend.However, from 2013 to 2016, vegetation coverage decreased.Vegetation coverage is highest in summer.From September to the end of winter, vegetation coverage declined.The vegetation coverage of the northeastern region mainly in mountainous areas is high, but that of the northwest and central areas mainly in hilly and low mountains is low.he vegetation coverage of the main urban area is close to 0. The effect of precipitation on vegetation coverage is lagging behind that of temperature, but there is no such phenomenon. In the quantitative analysis of vegetation coverage and its motivation, environmental protection investment, average temperature, precipitation, sunshine hours, urbanization rate and other factors have a strong impact on vegetation coverage, while the total population and gross product have two factors on vegetation coverage. The influence of coverage change is weakKeywords: remote sensing, NDVI, vegetation coverage, Change monitoring, driver analysis, regression analysis目录 1.1 研究的背景意义11.2 国内外研究现状21.3研究区介绍31.3.1自然环境介绍41.3.2社会环境介绍41.4研究内容51.5技术路线52.植被覆盖信息提取及其变化分析62.1数据获取62.1.1数据简介62.1.2数据获取72.2数据处理72.2.1数据预处理72.2.2数据合成92.2.3植被覆盖度提取102.3结果分析152.3.1植被覆盖度年变化162.3.2植被覆盖度月变化162.3.3植被覆盖度空间变化173 植被覆盖变化影响因素分析193.1驱动力指标体系193.2自然影响因素193.2.1降水量与植被覆盖的关系193.2.2气温与植被覆盖的关系203.2.3日照时数与植被覆盖的关系213.3社会影响因素223.3.1人口数量与植被覆盖的关系223.3.3城镇化率与植被覆盖的关系233.3.4环保投资与植被覆盖的关系244.驱动力因子与植被覆盖变化的定量分析254.1数据预处理254.1.1方法原理及处理过程254.1.2结果254.2主成分分析264.2.1方法原理及处理过程264.2.2结果264.3多元线性回归284.3.1方法原理及处理过程284.3.2结果285总结29参考文献301 绪论1.1 研究的背景意义植被，是覆盖地表的植物群落的总称，是环境的重要组成因子，也是反映区域生态环境的最好标志之一，与人类日常生活息息相关。植被覆盖变化监测是遥感的重要应用领域。植被的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同的植物有其自身的波谱特征，从而成为区分植被类型、长势及估算生物量的依据。掌握植被覆盖变化情况，对于维护区域生态平衡、规划植被种植等工作有着重要的指导作用。而植被覆盖度是指植被 (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植被覆盖度作为衡量地表植被覆盖的重要指标，其变化信息对土壤侵蚀、生态系统的过程变化等同样具有重要现实意义人类社会的不断发展，使得城镇化程度不断提升、人口数量不断增加，占据越来越多的土地资源，消耗各种能源产生大量二氧化碳、二氧化硫等，造成各种自然灾害发生植被可以很好的调节生态平衡，应该增加对植被变化及其变化 原因的研究。此外，随着生产水平的提高，人类开始追求更高质量的生活，也有越来越多的人关注人类赖以生存的环境，人类本能的向往着一个山清水秀、树木茂盛的居住环境，其中的植被覆盖程度是衡量环境的重要指标。早在 1961 年， 世界卫生组织给出了关于居住环境的四个基本理念，分别为：安全、健康、便利、舒适3，近几十年来经济快速发展，这四个基本理念已经不能够满足人们日益增长的需求，人们开始向往更耐久、更美观、更接近自然的居住环境，使得关于生态环境的研究成为热点课题。植被覆盖变化与人类有着密不可分的联系，需要定期监测分析植被覆盖变化的情况，以此为依据开展保护或改善工作，帮助相关部门制定合理的规章政策。植被覆盖变化又与多个因素有关，本文从自然、社会两方面进行植被覆盖度的变化监测与动因分析，通过对植被覆盖变化监测与其动因的分析，知道了可以从哪些方面来改变植被覆盖的程度、分布等。使用传统方法得到植被覆盖变化情况，过程复杂、消耗人力物力较大，具有主观随意性、精度不够。近些年来遥感技术发展迅速，这为植被覆盖的测定带来了一种简单快捷、客观可靠且覆盖面广的新方法。141.2 国内外研究现状 从古代到近代、从国外到国内，关于依附在地表植被的研究一直存在，研究者们使用不同的工具、不同的方法研究分析植被变化的状况，探寻变化的原因， 努力找出引起植被覆盖变化更全面的影响因素。古诗词中曾描述过植被与风、雨等气象现象的关联，比如唐代诗人白居易写的观刈麦中提及到“夜来南风起， 小麦覆陇黄”，唐代诗人杜牧写的宣州送裴坦判官往舒州时牧欲赴官归京中也提及到“日暖泥融雪半消，行人芳草马声骄”。由此可见从古代起已经有了关注植被变化、思考植被变化原因的萌芽。在近代，更多使用遥感技术、计算机技术等来研究植被覆盖状况，再依据数学统计分析方法探究植被覆盖度与其驱动因子的关系。在国外，很早就开始利用卫星拍摄遥感影像监测植被覆盖状况。在二十世纪七十年代，通过分析获取的遥感影像模拟了内布拉斯加地区大面积草地的变动情况，在帮助人们了解草场变化状况的同时也得出该地区的沙漠化程度，相关部门根据得到的成果制定了合理的政策，使草地按照正确的方向发展4。国外研究者们不仅利用遥感影像监测了植被覆盖变化情况，还探究了植被覆盖变化与温度、降水等气象因子的相关性。Nieholson S E 及 Sehmidt H 等人都探究了归一化植被指数和降水之间的关系，结果表明无论在时间尺度上还是在空间尺度上，归一化植被指数与降水有着不可忽视的相关性。Kawatabaw A 等利用沙漠和高植被覆盖地区的NDVI 修正 Pathfinder AVHRR Land NDVI 数据集，并分析数据集得出了从 1982 年到 1990 年全球范围内每年和每季度植被活动，结合观察到的温度和降水的数据得出：在北部中高纬度地区，由于气温逐渐升高植被活动在较宽的地区增加， 在热带地区（如西非和东南亚）也发现了 NDVI 的增加；在南半球一些干旱半干旱地区，因为这一时期的年降雨量减少导致植物光合作用显著减少。在国内，利用遥感影像研究植被覆盖度变化及其动因的关系，虽然起步较国外晚，但发展迅速，现在已成为多个领域的热门研究课题。李震等通过NOAA/AVHRR 数据建立了 1982 年到 2001 年中国西北地区（主要以干旱和半干旱地区组成）植被覆盖变化模型，并通过差分法、拟合线性方程斜率变化法、主成分法分析得出大致相似的结论：大面积区域情况呈下滑状态小部分地区情况有所改善；通过植被与气象数据研究结果显示：植被覆盖变化与气温变化关系不显著，但与降水存在明显的正相关关系。马聪等以 TM 遥感影像数据得到归一化植被指数、以像元二分模型原理提取阜新地区植被覆盖度并形成变化分布图，通过变化分析发现政策干预影响重大且阜新地区植被呈现退化趋势 。党青等利用 TM 遥感影像数据监测了 1992 年到 2009 年间成都市植被覆盖变化整体呈下降状态，并且分析了从降水、气温以及人口数量分析了植被覆盖下降的原因。在 2011 年张佳华和张国平编写了书籍植被与生态遥感，书中系统讲解了陆地植被参数遥感、植被水分和干旱遥感、农业植被面积遥感估算、气候陆面植被相互作用遥感等内容12。陈艳英等利用 2011 年的 MODIS 数据研究了重庆地区植被指数对高度和坡度的响应，结果显示在重庆市高程、坡度等地形因素对植被指数作用比较大，也发现高程对植被指数和植被分布的影响作用比坡度更显著。李建国等通过计算相关系数分析自然条件和人类社会对植被覆盖活动变化的影响，结果发现自然环境作为植被的基础环境起着决定性作用，且在短时间区间内人类社会影响不能被忽略。通过国内外研究成果发现国外有大区域范围研究，国内多为对某个较小区域范围展开研究分析。在植被覆盖变化动因分析相关研究方面，主要涉及的影响因素多为气象因素（气温、降水），随着生产力的不断提高、人口数量的不断扩张社会因素对植被的影响越来越大，应增加对社会相关因素的研究分析。1.3研究区介绍 图 1.3 中国、重庆行政区划图在第八届全国人民代表大会第五次会议中通过了设立重庆直辖市的决议，重庆（简称渝）与北京、天津、上海同为四大直辖市，这是重庆历史上第三次被设立为直辖市。重庆下辖管理地区包括 26 区、8 个县以及 4 个自治县，是长江上游地区的经济、科技、船运以及贸易运输的核心，是中国西南地区融贯东西、汇通南北的综合交通枢纽，由于独特的气候和地理环境被人们成为雾都、山城。1.3.1自然环境介绍1) 位置：重庆位于中国西南部、长江上游地区（北纬 28 度 10 分-32 度 13分，东经 105 度 11 分-110 度 11 分），向东邻接湖北湖南两省、向南依附着贵州的高原山地、向西紧连四川盆地、向北紧邻历史悠久的陕西。重庆恰处在资源丰富的西部地区与较为发达的东部地区的过渡地带，是长江上游重要经济核心、西南地区工商业重点地区和水陆贸易物流中心。2) 面积：重庆直辖区南北方向长 450 公里、东西方向宽 470 公里，地域面积达 8.24 万平方公里，是另外三个直辖市（北京、天津、上海）总面积的 2.39倍。3) 气候：重庆属中亚热带湿润季风气候区，具有夏热冬暖、春早秋凉、光热同季、降雨频繁、阴凉潮湿、阳光照射强度弱、霜雪少见但云层厚多雾天等特点。年平均气温为 1618，夏季最高气温可达到四十度左右。重庆大部分地区年平均降水量可达一千毫米已上，在夏季的 5 到 9 月份的降水占一整年降水的约 70%。重庆年平均相对湿度大多处在 70%到 80%之间，而年日照时数为 1 千1.4 千小时（日照百分率在百分之三十左右），湿度高日照少再加上特殊的地形使得重庆多云雾，年均雾天达 100 天已上。4）地势：重庆处在四川盆地东部且有大巴山、巫山、武陵山、大娄山环绕，长江自西向东流过重庆境内（流程 679 公里），地势自南北两个方位向长江河谷向里逐级降低，重庆西北及中部地区以丘陵、低山为主而东南地区依靠大巴山山脉和武陵山山脉。重庆有 76%的面积是山地、22%的面积是丘陵而仅有 2% 的面积为河谷平坝,地势起伏、山地居多的重庆海拔高差达 2723.7 米。 5) 资源：重庆境内的主要河流有长江、嘉陵江、乌江、涪江、綦江、大宁河等，重庆年均水资源达到了五千亿立方米、单位平方千米的水面积在全国排在首位。重庆还具有丰富多样的矿产资源、生态资源，由 2016 年统计资料可知森林面积达 374 万公顷（植被覆盖率为 45.4%）、地下储藏着 2726.9 亿立方米的天然气和 857.22 亿立方米的页岩气以及 429433.23 万吨的煤炭。1.3.2社会环境介绍根据重庆统计年鉴数据可知近几十年里重庆市人口在不断增加，截止到2016 年重庆户籍统计总人口有 3392.11 万人（其中有 1615.51 万人为城镇人口）。重庆拥有 4 个民族自治县、55 个少数民族，丰富多彩的多民族文化促进了重庆的旅游行业发展。在教育方面，重庆拥有 1120 所普通中学、65 所普通高等教育学校、5 个国家重点实验室。独具特色的巴渝文化源自重庆独特的自然环境，正如连绵的群山赋予了巴渝人坚强勇敢、不畏艰险的性格。1.4研究内容在遥感和计算机技术的支持下，通过对重庆市范围内的遥感影像进行分析处理，提取植被覆盖变化信息，找到影响植被覆盖变化的相关动因，并对动因与植被覆盖变化的进行详细分析研究。重点研究内容如下：（1） 获取重庆市一定时间段的遥感数据，并做预处理；（2） 应用遥感技术和地理信息系统技术，提取植被覆盖信息及变化信息；（3） 构建驱动力指标体系，包括自然及社会的主要影响因素； （4）运用多元线性回归、主成分回归等方法构建动因与植被覆盖变化量的定量回归模型，并对各影响因子的驱动力强弱进行判断。1.5技术路线在 ENVI 和 ArcGIS 软件平台上，完成数据处理。先将遥感影像经过预处理、数据合成、植被覆盖度提取后构成植被覆盖度数据集，将气象数据和其他统计数据经过统计计算和统计整理也形成数据集，通过两个数据集分析植被覆盖变化及其驱动力，从自然驱动力和社会驱动力两方面探讨影响植被覆盖变化的驱动因 子，为合理利用研究区所有自然资源，维护生态安全和生态治理提供决策参考。2.植被覆盖信息提取及其变化分析2.1数据获取2.1.1数据简介1） MODIS 是装载在 Terra 和 Aqua 卫星上关键的中分辨探测设备，MODIS 传感器时刻将获取到的信息以波的形式直接传播到各个地方。MODIS 数据允许世界各地区接受使用且不收取费用，使得 MODIS 数据获取方便快捷，被研究者们广泛使用。MODIS 数据有覆盖可见光到红外的三十六个不连续光谱波段，其目的是用于监测有关全球陆地、海洋和低层大气动力学过程，用于验证各种地球系统模型以便进行各种预测决策。2） 因为各类不同的植物对应生长在特定的生态环境中，植物在其生长周期过程中，其内在的叶绿素、叶肉细胞、含水量等均会发生改变，而且植物所获得的矿物主要由其根系从环境中汲取，所以可以通过分析植被指数研究对应的地 形、气候、地质、水文、土壤、生态环境等各种信息。遥感影像可以获取与植被进行能量交互的光谱信息，从而获得植被及环境的信息。不同的波段与植被的能量交互作用不同，反映的信息也不同：可见光与柱状叶肉细胞的能量交互发生在光合作用过程中，不同光照环境中的叶子表层的蜡质层不同，光照多的蜡质层厚而光照少的薄，此过程直接影响了植物的叶子及其冠层的特征；近红外与海绵组织的能量交互过程中，近红外辐射含有大量的热能，过多热辐射的吸收理论上会导致叶子内部过热，但正常植物中的叶肉细胞能够很好的控制对近红外的吸收， 植物与近红外间的这种响应关系可以直接反映生物量信息；中红外与海绵组织中水可以进行能量交互，组织中水分越多、吸收中红外光越多、反射越少，监测中红外波段可以反映土壤中是否缺水（植被主要靠根系向土壤中获取水分）。从前文分析得知可以利用植被指数获取植被及其生存环境的信息。归一化植被指数（Normalized Difference Vegetation Index，NDVI）在功能上与 SR（Simple Ratio）一致，可以提供植物生物量（叶面积指数）信息。归一化植被指数 NDVI 时间上的变化走向能反映季节间或年间的植物生长、活动，归一化植被指数 NDVI 对植物的发展状态十分灵敏，可以根据归一化植被指数得到植被覆盖及其变化情况，此外归一化植被指数 NDVI 也能有效的减小乘数类噪声（大气衰减、地形变化、多期影像等）的影响。归一化植被指数计算公式如下： 公式（2.1.1） 公式中 nir 表示近红外波段,red 表示红外波段。NDVI 取值范围为：大于等于-1 小于等于 1，其中 NDVI 取正时反映的是植被信息且值越大植被覆盖程度越大， NDVI 值为零反映的是无植被覆盖的裸土信息，而水面对可见光反射很强致使NDVI 呈现负值。2.1.2数据获取通过地理空间数据云网站（ 2001 年、2004 年、2007 年、2010 年、2013 年、2016 年每月的 MODIS/NDVI 数据，下载的月 NDVI 产品是由 MOD09GA 经过镶嵌、裁剪、转换投影、最大值合成等预处理方法后得到的，下载数据产品的坐标系为 WGS84、空间分辨率为 500 米。遥感作为一门工具性学科为各个领域提供基础数据，但是在不同的应用领域对数据的要求存在差异，所以在选择遥感数据前要仔细分析研究内容和研究区情况，获取合适的遥感数据才能将其成功应用到研究领域，充分发挥遥感的基础辅助的功能。通过前文可知重庆面积为 8.24 万平方公里，空间分辨率为 500 米的MODIS/NDVI 数据满足要求；下载的 MODIS/NDVI 数据可以免费获取所有时间段的月产品，满足研究时间段的要求；下载的 MODIS/NDVI 数据可以在 ENVI 软件中直接打开，数据格式符合要求，为数据处理提供了便利；下载的 MODIS 数据包含 NDVI 信息，可以通过 ENVI 软件平台提取植被覆盖度。通过上述分析可以得出：下载的遥感数据满足研究要求。2.2数据处理在 RS、GIS 技术的支持下，将获取的遥感数据利用 ENVI 和 ArcGIS 软件平台进行数据预处理、数据合成、提取植被覆盖度等操作，并对数据结果进行统计分析。2.2.1数据预处理通过预处理为信息提取及空间分析提供尽可能接近研究区域辐射及地形真实特征的数据源，使数据得到更好的应用效果。投影转换和坐标设置可以统一不同来源的数据。因为目标辐射传输受到大气及大气状态的影响、目标辐射特征受到地形及朝向的影响，因此需要进行辐射校正及几何校正。当目标区域跨越多幅影像时需要进行图像拼接，并按照研究区边界进行裁剪。数据预处理应该根据实际情况进行相应的预处理，遥感数据预处理在 ENVI软件平台中完成。在进行影像裁剪前下载重庆市行政区划矢量图，在 ENVI 软件中打开遥感影像数据和重庆市行政区划矢量数据，使用Toolbox 中的Subset Data from ROIs 工具按照矢量文件边界裁剪遥感影像，注意在裁剪对话框中设置背景值为零。所有的遥感影像都按照上述方法进行处理，为后面的数据合成、植被覆盖度提取做好准备。图 2.2.1.1Subset Data from ROIs 工具对话框图 2.2.1.2按重庆行政区划边界裁剪影像结果2.2.2数据合成获取的遥感影像数据是每个月的 NDVI 值，为继续研究以年为时间单位植被覆盖及变化信息，需要进行植被指数数据合成的处理，而且数据合成可以在一定程度上减小误差影响。植被指数数据合成使我们可以在不同的时间单位、时间间隔中研究分析目标区域的植被及其变化信息，这为我们从不同的方向分析讨论植被覆盖状况提供了可能性，完善了我们的研究方法并且提供更全面的研究结果。数据合成方法有最大值合成 MVC 和平均值合成两种，最大值合成是取 12 个月中对应每个像元的 NDVI 最大值形成这一年的 NDVI 影像数据集，另一种方法是取 12 个月中对应每个像元的 NDVI 算数平均值形成这一年的 NDVI 影像数据集。该数据合成过程在 ENVI 软件平台上完成，使用 Toolbox 中的 BasicTools-Band Math 工具实现最大值和平均值两种方式的数据合成，在弹出的对话框中分别输入公式“b1b2b3b4b5b6b7b8b9b10b11b12”（此公式是 NDVI 最大值计算合成公式）、(b1+b2+b3+b4+b5+b6+b7+b8+ b9 + b10 + b11 + b12) / 12（此公式是平均值计算合成公式），接下来要将 b1 - b12 与 12 个月的 NDVI 影像数据一一对应，之后选择保存路径并按照时间命名生成的新NDVI 影像数据，按照上述方法将下载的所有遥感影像数据进行处理，得到 2001 年、2004 年、2007 年、2010 年、2013 年、2016 年的 NDVI 影像数据。图 2.2.2.1 输入计算公式对话框图 2.2.2.2 选择公式中对应影像对话框2.2.3植被覆盖度提取1） 基本概念公式（2.2.3） 从公式（2.2.3）可以看出植被覆盖度由两方面决定即植被数量和研究区面积，在同一个研究区域随着时间的变化植被覆盖度指标会发生变化，这是因为在自然因素和社会因素的共同作用下使植被总量在不同的时间段内呈现不同的数值。植被覆盖度可以按照不同的数值区间进行分级表示，植被覆盖的分级显示可以使我们直观的观察不同空间分布上植被覆盖度的情况。植被覆盖度参数可以很好的表示植被覆盖程度及其变化信息，在生态研究中植被覆盖度指数不仅能直接反映植被的自然状态也可以联系人类社会活动情况，从而探究自然环境与社会环境的相互影响、相互作用，使人类能更好地生活、与自然环境更和谐地共存。在过去获取植被覆盖度有目测估计法、抽样采集法、仪器测量法、模型计算28法等地面测量方法。目测估计法是测量员通过眼睛观察研究区或者研究区照片用不同的等级评定植被覆盖度，然后将不同测量员得到的数据成果进行统计计算分析，由于该方法利用了测量员主观判断而使最终结果受到人为因素的影响很大， 虽然操作简单但精度很难达到要求；抽样采集法是通过选取测量区域的一部分作为样本，通过计算样本区域植被覆盖度来估计整个测量区域的植被覆盖度。仪器测量法使用传感仪器获取测量区域的植被覆盖度，得到的数据结果比前两种方法精度高，但是仪器操作过程复杂、耗费大量时间精力；模型计算法是通过数学统计原理得到植被覆盖度获取模型，该方法需要有已经测量的植被覆盖度相关数据，而且不同的空间特征和不同植被种类的模型存在差异，即有特定空间特征或某一类植被才会符合模型计算法的应用要求。通过上述分析得知，传统的地面测量方法适合较小的研究区域测量，本次研究区域较大不适合使用上述方法，而且上述方法有操作复杂、耗时耗力、精度偏低等缺点，不利于对研究区开展连续监测和在长时间跨度上进行变化分析。随着遥感技术、计算机技术不断的发展创新，植被覆盖度的获取方法得到了极大的改善。利用搭载在卫星上的传感器获取地面波谱特征，再在计算机平台上算出相应的植被指数，最后基于像元二分模型获取研究区域内的植被覆盖度，该过程操作方式简单快捷。遥感影像数据可以直接在官方网站下载，而且下载范围和数据时间段可以自主选择，这使得遥感影像数据在大尺度范围研究优势明显， 利用遥感技术提取植被覆盖度更符合研究要求。2） 像元二分模型原理像元二分模型是指遥感影像中包含的数据内容由植被和非植被两个方面构成，这种数据信息划分作用在遥感影像的所有单个像元中，划分出的两部分通过比值计算得出植被覆盖度，这种方法符合前文中植被覆盖度定义公式要求。像元二分模型的基本原理与其他的回归模型原理相似，已获取 MODIS 数据中的 NDVI 值与植被覆盖度近似为线性相关，NDVI 数值可以达到模型的要求，这表明我们可以使用该模型提取植被覆盖度信息。基于像元二分模型植被覆盖度计算公式：公式(2.2.3.1)公式中 VFC 代表植被覆盖度；NDVI 代表混合像元 NDVI 值；NDVIsoil 代表没有植被覆盖的 NDVI 值；NDVIveg 代表纯植被覆盖的 NDVI 值。NDVIsoil、NDVIveg 的求取存在如下两类情况：第一类情况是当研究区内植被覆盖度的最大值可以近似取 1、最小值可以近似取 0 时，公式(2.2.3.1)可以简化为：公式(2.2.3.2)公式中 NDVImax、NDVImin 分别取研究区内在特定置信区间的 NDVI 最大值、NDVI 最小值。第二类情况是当研究区内植被覆盖度的最大值不可以近似取 1、最小值不可以近似取 0 时，这时需要根据已有的实际测量数据或者根据经验估计 VFCmax 和 VFCmin 值，再根据公式计算得到 NDVIsoil 和 NDVIveg 值。本次研究满足第一种情况。3) 实验处理步骤启动 ENVI 软件，加载经过预处理过的所有遥感影像数据，使用 Toolbox 中的 Statistics Compute statistics 工具进行 NDVI 值的数学统计，在弹出的对话框中点击 Select Mask Band 按钮选择相对应的 ROI 文件，此操作是为了在统计列表中不统计背景值（注意背景值要设为 0 值），在统计数据选择对话框中选择“基础统计数据”和“直方图数据”，然后选择路径保存。在 NDVI 值的数学统计文件中将数据量累计百分率为 2%和 98%（置信度为 2）的 NDVI 值分别作为NDVImin、 NDVImax。图 2.2.3.1 选择对应掩膜文件图 2.2.3.2统计数据结果再使用 Toolbox 中的 Band Math 工具计算相应的植被覆盖度，将上一步获取 的 NDVImin 、 NDVImax 具 体 值 代 入 “(b1 lt NDVImin)*0+(b1 gt NDVImax)*1+(b1 ge NDVImin and b1 le NDVImax)*(b1-NDVImin)/(NDVImax-NDVImin)” ，然后再在 Band Math 对话框中输入， 其中 b1 取正在处理的 NDVI 影像数据,选择路径保存得到植被覆盖度。此操作含义是：正在处理的 NDVI 值小于 NDVImin 时，植被覆盖度为零；正在处理的 NDVI 值大于 NDVImax 时，植被覆盖度为 1；正在处理的 NDVI 值大于 NDVImin 且小于 NDVImax 时，植被覆盖度按照公式计算。图 2.2.3.3 输入计算公式对话框图 2.2.3.4 选择 b1 对应的影像2.3结果分析从时间和空间两方面分析得到的植被覆盖度数据，得到重庆市植被覆盖度的年际变化和月际变化规律，以及植被覆盖度在重庆市不同空间的分布特征，并从变化规律、分布特征中探讨植被覆盖度变化的原因。通过上述数据处理过程得到相应的植被覆盖度影像数据，使用 ENVI 软件中的 Toolbox Statistics Compute statistics 工具获取平均值，并制作表 2.3。表2.3中最后一行植被覆盖度年平均值是在 ENVI 软件中先通过数据合成得到年NDVI 影像，然后再进行植被覆盖度提取得到的。表 2.3 植被覆盖度盖度1 月0.5696960.49620.4634820.4811580.4552740.5656292 月0.468230.4680240.5735010.5513840.5095050.6335063 月0.4286970.4270010.4514310.4520790.4438530.548134 月0.4560350.5112260.5370580.4759440.4949320.655755 月0.5824950.5329830.5144860.5445270.5916030.6237636 月0.6227720.6693720.5869860.6730570.8062590.7132227 月0.6322280.5775410.7575950.7241620.6937240.6823828 月0.6055040.6281740.5614460.652010.6587370.6515819 月0.5911570.5844790.544790.6161340.6235370.69598710 月0.580950.5921580.6975450.5913690.583070.59206911 月0.5402680.6731220.5148260.5442660.629170.55139412 月0.50140.5809350.495450.5279670.5327450.667873年平均0.5034840.5356480.5719890.6140270.6353270.588764植被覆2001 年2004 年2007 年2010 年2013 年2016 年值2.3.1植被覆盖度年变化图 2.3.1 植被覆盖度年变化图从图 2.3.1 中我们可以得出在 2001 年到 2016 年间植被覆盖度变化情况： 在 2001-2013 年间植被覆盖度呈现稳定上升趋势，在 2013 年植被覆盖度达到最大值 0.635327，在 2013 到 2016 年间植被覆盖度出现了下降趋势，这种现象应该引起我们的关注，我们需要从不同的方面分析植被覆盖度下降的原因，并提出合理的建议。2.3.2植被覆盖度月变化图 2.3.2 植被覆盖度月变化图因为不同年份植被覆盖度影响因素存在差异，而且影响因素种类多、影响作用复杂，以及测量误差的存在，使得不同年份植被覆盖度逐月变化图显示情况比其它的要复杂，但其中仍存在特定的变化规律。从图 2.3.2 中我们可以得到 2001 年、2004 年、2007 年、2010 年、2013 年、2016 年的植被覆盖度逐月变化情况：植被覆盖度从 1 月到 12 月的变化趋势大致为先逐渐升高到最大值再逐渐降低；在夏季（6、7、8 月份）出现植被覆盖度最高值，重庆夏季平均温度高、日照时间长，且在 5 到 9 月份的降水约占一整年降水的 70%，这样的气候特征有利于植物光合作用，可促进植被生长； 各年植被覆盖度最低值出现在 3 月份；从 9 月份开始植被覆盖度出现下降趋势，直到冬季结束下降到最小值，然后从 3 月份以较快速度增长到一年中的最大值， 其中植被覆盖度下降是因为重庆秋冬季节云雾多、日照少不利于植被生长，而在春季（3、4、5 月份）气候条件开始逐渐变得适合植被生长，导致植被覆盖度开始从最低值逐步上升。2.3.3植被覆盖度空间变化图 2.3.3 植被覆盖度分级表示图图 2.3.3 中显示的植被覆盖度数据来源于 2016 年平均植被覆盖度数据，从图 2.3.3 中我们可以得到植被覆盖度在重庆地域空间上的分布情况：重庆市东北地区植被覆盖度偏高，东北区为大面积森林覆盖的高山地带，植被生长茂盛；重庆西部及东南部地区以丘陵、低山为主，种植着较多的农作物，而节气决定着农作物的生长状态，因此该区域的年均植被覆盖度要比较低；各河流流域的植被覆盖度显示接近 0 值；主城区区域大部分为建筑用地、人口密集，植被生长环境受到限制，这与图中显示的主城区区域植被覆盖度很低现象相符，也可以从中得出人类社会活动对植被覆盖变化影响很大。不同的空间地域有不同的自然环境和社会环境，上述分析可知不同的空间地域有不同的植被覆盖度，所以可以从自然环境因素和社会环境因素两方面分析重庆市植被覆盖变化驱动力，并判断不同影响因素对植被覆盖变化驱动作用的强弱。3 植被覆盖变化影响因素分析3.1动因分析体系构建植被覆盖变化动因分析体系需要获取自然环境因素和社会环境因素两方面的数据，降水量和气温数据从中国气象数据网（ （ 到 2017 年的“重庆统计年鉴”中获取。获取数据后，将 2001 年、2004 年、2007 年、2010 年、2013 年、2016 年的各个影响因素数据进行统计处理，制作表 3.1，然后制作每个影响因素随时间变化的图表，再依次分析每个影响因素年变化规律，详细讲述影响因素对植被生长的作用， 分别探究每个影响因素与植被覆盖度的关系。2001 年2004 年2007 年2010 年2013 年2016 年降水量（毫米）814.81182.11439.21044.71026.91345.8自然因素平均气温（摄氏度）18.818.419.018.719.918.5日照时数（时）1050.4974.7856.2910.61187.51150.5总人口（万人）3097.913144.233235.323303.453358.423392.11生产总值（亿元）1976.863034.584676.137925.5812783.2617559.25城镇化率(%)37.443.548.35358.362.6环保投资（亿元）30.550.88108.2231.68255.74355.64表 3.1 影响植被覆盖度变化因素社会因素3.2自然影响因素3.2.1降水量与植被覆盖的关系图 3.2.1 降水量、植被覆盖度年变化图图 3.2.1 显示的是 2001 年到 2016 年间降水量、植被覆盖度的变化情况， 从图中我们可以得出：16 年间降水量整体近似呈现缓慢上升趋势；最大的降水量出现在 2007 年，最大值为 1439.2 毫米；最小的降水量出现在 2001 年，最小值为 814.8 毫米；2001 年到 2007 年降水量呈现上升趋势；在 2007 年到 2016年间降水量先下降后上升，2010 年和 2013 年都处在降水量变化的低值区，而植被覆盖度在 2001 年到 2013 呈现稳定上升趋势，在 2013 到 2016 年间植被覆盖度出现了下降趋势，通过对照分析可以知道植被覆盖度的变化趋势相应的比降水量的变化趋势要晚 1 到 2 年，这说明降水量对植被覆盖度的影响存在特定的滞后现象16。水是生命之源，植物的生长离不开水的影响，水是绿色植物进行光合作用的最基本原料和催化剂，植被中的水分主要靠根系从土壤中获取，而降水可以很好的增加土层对水分的储存，这可以从一方面解释了为什么降水量对植被覆盖度的影响存在特定的滞后现象。降水量也会影响植被生存的环境及其环境中其它的生物，环境的改变、其他生物的变化可以间接影响植被覆盖度变化，例如降水可以使土壤潮湿，从而增加土壤中生物量，土壤中生物可以使土壤变得肥沃从而有利于植被的生长。3.2.2气温与植被覆盖的关系图 3.2.2 平均气温、植被覆盖度年变化图图 3.2.2 显示的是 2001 年到 2016 年间气温、植被覆盖度的变化情况，图表中的数据具体指的是每年的平均气温值，从图中我们可以得出：16 年间的年平均气温变化呈现出波动性，最大的年平均气温值出现在2013 年，最大值为19.9 摄氏度，最小的年平均气温值出现在 2004 年，最小值为 18.4 摄氏度，年平均35气温在 2010 年到 2016 年出现较大的波动，而 2001 年到 2010 年间波动幅度偏小。过高或过低的温度都不利于植物的生长，只有适宜的温度才会促进植物的生长。气温是生态环境研究中的重要指标，温度影响着生态环境中的大多数能量转换方程，温度既可以直接影响植被也可以通过改变其它的事物来间接影响植被。植被的各个生长时期都离不开气温的影响。3.2.3日照时数与植被覆盖的关系图 3.2.3 日照时数、植被覆盖度年变化图图 3.2.3 显示的是 2001 年到 2016 年间日照时数、植被覆盖度的变化情况， 从图中我们可以得出：在 2001-2007 年以及 2013-2016 年间，日照时数呈现下降趋势，而在 2007-2013 年间，日照时数呈现上升趋势，即在 16 年间日照时数呈现先下降后上升再下降的趋势，整体呈现出波动状态，最小值 856.2 时出现在 2007 年，最大值 1187.5 时出现在 2013 年。植被的生长离不开光能，光能是植被生长的能量源泉，好的光照条件有利于植被的生长。2007 年到 2016 年日照时数变化趋势与植被覆盖度的变化趋势一致，而在 2001 年到 2007 年，日照时数呈现下降趋势而植被覆盖度仍然呈现上升趋势，植被覆盖度受到很多因素的影响,这使得影响关系变得复杂，例如 2001 年到 2007 年日照时数下降抑制植被的生长而降水的增加会利于植被生长，这就会导致最后植被覆盖度的变化与其中的一个因素呈现相反的影响，这就解释了在 2001 年到 2007 年，日照时数呈现下降趋势而植被覆盖度仍然呈现上升趋势的现象。3.3社会影响因素3.3.1人口数量与植被覆盖的关系图 3.3.1 人口数量、植被覆盖度年变化图图 3.3.1 显示的是 2001 年到 2016 年间人口数量、植被覆盖度的变化情况， 图表中的总人数是通过户籍统计得到的，从图中我们可以得出：16 年间的总人口数近似呈现线性增长状态，2001 年人口数量仅有 3097.91 万人，在 2016 年人口数量达到了 3392.11 万人，在 16 年的时间里重庆市人口增长了 294.2 万人。人口的增长会加大对土地的利用，在一定程度上降低植被覆盖度。3.3.2经济发展与植被覆盖的关系图 3.3.2 生产总值、植被覆盖度年变化图图 3.3.2 显示的是 2001 年到 2016 年生产总值、植被覆盖度的变化情况， 从图中可以得出：重庆市这 16 年间生产总值呈现明显的上升趋势，2001 年生产总值仅有 1976.86 亿元，在 2016 年生产总值达到了 17559.25 亿元，在 16年的时间里重庆市生产总值提升了 15582.39 亿元，这表明了重庆市的经济状况飞速发展，人们的生活水平得到了极大的提升，政府的财政收入也会随之增加，为了更好的生活环境，我们应该更多的关注自然环境问题，政府也需要制定合理的政策并积极加入保护人类赖以生存的生态环境。3.3.3城镇化率与植被覆盖的关系图 3.3.3 城镇化率、植被覆盖度年变化图图 3.3.3 显示的是 2001 年到 2016 年间城镇化率、植被覆盖度的变化情况， 从图中可以得出：重庆市这 16 年间城镇化率呈现近似的线性增长趋势，2001 年城镇化率仅有 37.4%，在 2016 年达到了 62.6%，在 16 年的时间里重庆市的城镇化率有了很大的提升，这表明重庆市城市规模得到了提升，城市人口呈现增长趋势，工业生产增多而农业生产相对降低，城镇化率增加促进经济发展。社会影响因素对植被覆盖的影响情况比自然因素更为复杂，从数据中比较难直观得到相关关系，而人类的一些社会活动对植被覆盖起着决定性作用，例如： 大面积的砍伐，因此通过对植被覆盖变化及其驱动力的研究，要尽可能的约束不利于生态环境的社会活动。3.3.4环保投资与植被覆盖的关系图 3.3.4 环保投资、植被覆盖度年变化图图 3.3.4 显示的是 2001 年到 2016 年间环保投资、植被覆盖度的变化情况， 从图中可以得出：重庆市这 16 年间环保投资呈现明显的增长趋势，2001 年环保投资仅有 30.5 亿元，在 2016 年环保投资达到了 355.64 亿元，在 16 年的时间里重庆市的环保投资增加了 325.14 亿元，2016 年环保投资是 2001 年城环保投资的 11 倍多，这表明近十几年来重庆对环保越来越重视，环保投资的增加会在一定程度上改善生态环境，而好的生态环境有利于植被的生长，从而提高植被覆盖度。生态环境很重要同时生态环境又很脆弱，要从生活的各个方面保护生态环境。3.变化动因与植被覆盖变化的定量分析4.1数据预处理4.1.1方法原理及处理过程多个变化动因属于不同的变量，有不同的量纲，因此需要先对数据进行标准化处理，本次研究中使用 Z-score 标准化方法。Z-score 标准化方法需要用到原始数据计算得到的均值和方差两个数值，该方法无需知道原始数据的最大值和最小值。该方法的原理公式表达为： 公式（4.1.1）SPSS 软件将 z-score 标准化方法作为默认的标准化方法，这使得在 SPSS 软件进行 Z-score 标准化变得更加方便。相比较而言 Excel 中数据计算要复杂很多。4.1.2结果表 4.1.2 数据标准化结果平均气温（摄氏植被覆盖度降水量（毫米）度）日照时数（时）-1.45577-0.15378-1.432540.21815-0.79988-0.891910.17434-0.35624-0.058810.215291.29911-1.255390.79843-0.33831-0.42676-0.842621.232781.87608-0.504641.258430.28326-0.707370.89050.97768总人口（万人）生产总值（亿元）(%)城镇化率环保投资（亿元）-1.33757-0.98567-1.39992-1.09868-0.94377-0.812